通过迭代神经网络端到端训练进行卷积分析算子学习

稀疏性概念已广泛应用于图像重建的正则化中。通常，稀疏化变换要么在真值图像上预训练，要么在重建过程中自适应训练。据此，学习算法被设计为最小化某个目标函数，该函数编码了变换的期望性质。然而，此过程忽略了随后采用的重建算法以及负责图像形成过程的物理模型。包含物理模型的迭代神经网络可以克服这些问题。在本工作中，我们展示了如何通过迭代神经网络的端到端训练来高效学习卷积稀疏化滤波器。我们在非笛卡尔二维心脏电影MRI示例上评估了我们的方法，并表明所获得的滤波器比通过解耦预训练获得的滤波器更适用于相应的重建算法。