一种具有自适应平滑与博弈编码的可训练先验灵活设计框架
计算机视觉与模式识别
2020-11-10 v2
摘要
我们引入了一个通用框架，用于设计和训练神经网络层，其前向传播可解释为求解非光滑凸优化问题，且其架构由优化算法导出。我们关注由图的节点所表示的局部智能体通过正则化函数相互作用而求解的凸博弈。该方法对于求解成像问题颇具吸引力，因为它允许在可端到端训练的深层模型中使用经典图像先验。本工作中使用的先验包括全变分及其变体、拉普拉斯正则化、双边滤波、基于学习字典的稀疏编码以及非局部自相似。我们的模型完全可解释，且在参数和数据上均高效。我们的实验证明了它们在从图像去噪、fMRI压缩感知到稠密立体匹配等大量多样化任务上的有效性。
引用
@article{arxiv.2006.14859,
title = {A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding},
author = {Bruno Lecouat and Jean Ponce and Julien Mairal},
journal= {arXiv preprint arXiv:2006.14859},
year = {2020}
}
备注
NeurIPS 2020