用于成像反问题的显式正则化器深度平衡学习
图像与视频处理
2023-03-10 v1
摘要
近年来，利用深度学习来正则化成像反问题引起了广泛关注。该领域大多数工作集中于通过为图像重建预训练的卷积神经网络（CNNs）所隐式施加的正则化。在本工作中，我们遵循另一条基于学习显式正则化泛函以促进偏好解的路线。我们提出了显式学习深度平衡正则化器（ELDER）方法，用于学习使均方误差（MSE）度量最小化的显式正则化器。ELDER基于由CNN参数化的正则化泛函，以及一种深度平衡学习（DEQ）方法，用于在重建算法不动点处训练该泛函使其达到MSE最优。显式正则化器使ELDER能够直接继承优化理论中的基本收敛结果。另一方面，DEQ训练使ELDER能够超越现有显式正则化器，且在训练期间不会产生过高的内存复杂度。我们使用ELDER训练了几种参数化显式正则化器的方法，并在三个不同的成像反问题上测试了它们的性能。我们的结果表明，与现有方法相比，ELDER能大幅提升显式正则化器的质量，并且表明学习显式正则化器相对于基于隐式正则化的方法并不会损害性能。
引用
@article{arxiv.2303.05386,
title = {Deep Equilibrium Learning of Explicit Regularizers for Imaging Inverse Problems},
author = {Zihao Zou and Jiaming Liu and Brendt Wohlberg and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2303.05386},
year = {2023}
}