神经重建背后的凸正则化
机器学习
2020-12-10 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
神经网络在逆问题中重建高分辨率图像展现出巨大潜力。然而,神经网络的非凸与不透明特性阻碍了其在医学成像等敏感应用中的效用。为应对此挑战,本文倡导一种凸对偶框架,使两层全卷积 ReLU 去噪网络适用于凸优化。凸对偶网络不仅提供用凸求解器的最优训练,还便于解释训练与预测。特别地,它意味着用权重衰减正则化训练神经网络会诱导路径稀疏性,而预测是分段线性滤波。在 MNIST 和 fastMRI 数据集上的一系列实验证实了该对偶网络优化问题的有效性。
引用
@article{arxiv.2012.05169,
title = {Convex Regularization Behind Neural Reconstruction},
author = {Arda Sahiner and Morteza Mardani and Batu Ozturkler and Mert Pilanci and John Pauly},
journal= {arXiv preprint arXiv:2012.05169},
year = {2020}
}