用于大规模高动态范围成像的深度网络序列
天体物理仪器与方法
2023-09-28 v3 机器学习
摘要
我们提出一种用于大规模高动态范围计算成像的新方法。端到端训练的深度神经网络（DNNs）几乎可瞬时求解线性逆成像问题。虽然展开架构对测量设置变化提供鲁棒性，但将大规模测量算子嵌入DNN架构中不切实际。另一种即插即用（PnP）方法——其中去噪DNNs对测量设置盲知——已被证明能有效应对可扩展性与高动态范围挑战，但依赖高度迭代算法。我们提出残差DNN序列方法，也可解释为匹配追踪的学习版本，其中重建图像是逐步提升动态范围的残差图像之和，并由以先前迭代的反投影数据残差为输入的DNNs迭代估计。我们在射电天文成像仿真上证明，仅少数项的序列即以极低代价提供了与PnP竞争的重建质量。
引用
@article{arxiv.2210.16060,
title = {Deep network series for large-scale high-dynamic range imaging},
author = {Amir Aghabiglou and Matthieu Terris and Adrian Jackson and Yves Wiaux},
journal= {arXiv preprint arXiv:2210.16060},
year = {2023}
}
备注
Accepted for publication in IEEE Proc. ICASSP 2023