用于训练展开式近端神经网络高斯去噪器的提升Bregman策略
最优化与控制
2024-08-19 v1 计算机视觉与模式识别
摘要
展开式近端神经网络(PNNs)是一类结合深度学习和近端优化方法的技术。它们通过将近端算法展开固定次数来设计特定任务的神经网络，其中线性部分可以从先验训练过程中学习。PNNs已被证明比传统深度学习方法更鲁棒，同时至少达到了同等性能，特别是在计算成像领域。然而，训练PNNs仍然依赖于可用训练算法的效率。在这项工作中，我们为展开式PNNs提出了基于Bregman距离的提升训练公式。利用确定性小批量块坐标前向-后向方法，我们设计了一种超越传统反向传播方法的专用计算策略，以高效求解由此产生的学习问题。我们通过在图像去噪的数值模拟上评估了所提出的训练方法，考虑了一个基于对偶近端梯度迭代的去噪PNN结构。
引用
@article{arxiv.2408.08742,
title = {A lifted Bregman strategy for training unfolded proximal neural network Gaussian denoisers},
author = {Xiaoyu Wang and Martin Benning and Audrey Repetti},
journal= {arXiv preprint arXiv:2408.08742},
year = {2024}
}
备注
2024 IEEE International Workshop on Machine Learning for Signal Processing, Sept. 22--25, 2024, London, UK