深度学习与反问题

机器学习（ML）方法和工具已在许多数据、信号、图像和视频处理任务中取得巨大成功，例如分类、聚类、目标检测、语义分割、语言处理、人机接口等。在计算机视觉、图像和视频处理中，这些方法主要基于神经网络（NN），特别是卷积神经网络（CNN），更一般地基于深度神经网络。反问题出现在任何存在间接测量的地方。由于这些反问题通常是病态的，要获得满意的解需要先验信息。人们已提出不同的正则化方法，将问题转化为带有一项似然项和一项正则化项的准则优化。然而，在高维真实应用中的主要困难仍是计算成本。使用神经网络，特别是深度学习（DL）替代模型和近似计算，会非常有帮助。在这项工作中，我们关注特别适用于反问题的神经网络和深度学习。我们考虑两种情况：第一种是前向算子已知并用作物理约束的情况，第二种更通用的数据驱动深度学习方法。