使用未训练网络先验的逆成像算法保证
计算机视觉与模式识别
2020-03-31 v2 机器学习
机器学习
摘要
深度神经网络作为图像先验最近被引入到去噪、超分辨率和修复等问题中,相比稀疏性和低秩等手工制作的图像先验取得了有前景的性能提升。与学习的生成先验不同,它们不需要在任何大型数据集上训练。然而,在将未训练神经网络先验用于逆成像问题的范围内,鲜有理论保证。我们探索未训练神经网络先验的新应用与理论。具体而言,我们考虑求解线性逆问题(如压缩感知)以及非线性问题(如压缩相位恢复)。我们将图像建模为具有固定种子的未训练深度生成网络的值域中。我们进一步提出了一种可用于压缩感知和相位恢复的投影梯度下降方案,并为其收敛性提供了严格的理论保证。我们还从理论和经验上表明,使用深度网络先验,可以在相同图像质量下相比手工先验实现更好的压缩率。
引用
@article{arxiv.1906.08763,
title = {Algorithmic Guarantees for Inverse Imaging with Untrained Network Priors},
author = {Gauri Jagatap and Chinmay Hegde},
journal= {arXiv preprint arXiv:1906.08763},
year = {2020}
}
备注
NeurIPS 2019 version with few modifications