失配先验下逆问题的深度基于模型架构
图像与视频处理
2022-07-28 v1 计算机视觉与模式识别
机器学习
摘要
将物理测量模型与使用卷积神经网络（CNN）指定的学习图像先验相结合来求解成像逆问题的深度基于模型架构（DMBA）正引起越来越多的关注。例如，用于系统设计 DMBA 的著名框架包括即插即用先验（PnP）、深度展开（DU）和深度平衡模型（DEQ）。尽管 DMBA 的经验性能与理论性质已被广泛研究，该领域现有工作主要关注在所期望图像先验被精确已知时的性能。本工作通过为失配 CNN 先验下的 DMBA 提供新的理论与数值见解，弥补了现有工作的不足。当训练与测试数据之间存在分布偏移时，例如测试图像来自与用于训练 CNN 先验的图像不同的分布，失配先验会自然出现。当用于推断的 CNN 先验是某个期望统计估计量（MAP 或 MMSE）的近似时，也会出现失配先验。我们的理论分析在一组明确假设下给出了由失配 CNN 先验引起的解的显式误差界。我们的数值结果比较了 DMBA 在现实分布偏移与近似统计估计量下的经验性能。
引用
@article{arxiv.2207.13200,
title = {Deep Model-Based Architectures for Inverse Problems under Mismatched Priors},
author = {Shirin Shoushtari and Jiaming Liu and Yuyang Hu and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2207.13200},
year = {2022}
}