面向成像逆问题的凸潜在优化对抗正则化器
计算机视觉与模式识别
2023-09-19 v1 图像与视频处理
摘要
近年来，数据驱动技术在解决与MR成像逆问题相关的挑战方面表现出显著的有效性。然而，这些方法在可解释性和鲁棒性方面仍表现出某些局限性。为此，我们提出凸潜在优化对抗正则化器（CLEAR），一种新颖且可解释的数据驱动范式。CLEAR代表了深度学习（DL）与变分正则化的融合。具体而言，我们采用潜在优化技术对抗式训练一个输入凸神经网络，其极小值集合能够完整表示真实数据流形。我们将其作为凸正则化器，构建CLEAR引导的变分正则化模型，该模型在真实数据流形上引导成像逆问题的求解。利用其固有的凸性，我们建立了CLEAR引导正则化模型的投影次梯度下降算法的收敛性。在特定假设下，该收敛性保证了成像逆问题唯一解的获得。此外，我们证明了CLEAR引导模型的鲁棒性，明确展示了即使在存在测量干扰的情况下也能实现稳定重建的能力。最后，我们以MRI重建为例说明了方法的优越性。我们的方法在重建质量和鲁棒性上均优于传统数据驱动技术与传统正则化方法。
引用
@article{arxiv.2309.09250,
title = {Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse Problems},
author = {Huayu Wang and Chen Luo and Taofeng Xie and Qiyu Jin and Guoqing Chen and Zhuo-Xu Cui and Dong Liang},
journal= {arXiv preprint arXiv:2309.09250},
year = {2023}
}