ENSURE：一种用于深度图像重建算法无监督训练的通用方法
计算机视觉与模式识别
2022-12-05 v4 机器学习
图像与视频处理
机器学习
摘要
使用深度学习算法的图像重建相比经典压缩感知与基于模型的算法，具有更高的重建质量和更低的重建时间。遗憾的是，用于训练深度网络的干净且全采样的真值数据在若干应用中往往难以获取，限制了上述方法的适用性。我们引入一种称为集成斯坦无偏风险估计（ENSURE）框架的新度量，可用于在无全采样且无噪声图像的情况下训练深度图像重建算法。所提框架是经典SURE与GSURE公式的推广，适用于图像由一组中随机选取的不同测量算子进行采样的情形。我们对采样模式上的GSURE损失函数取期望，得到ENSURE损失函数。我们证明该损失是真实均方误差的无偏估计，相较于GSURE仅提供投影误差的无偏估计，提供了更好的替代方案。我们的实验表明，用该损失函数训练的网络可给出与有监督设定相当的重建结果。尽管我们在MR图像恢复背景下演示此框架，ENSURE框架通常适用于任意逆问题。
引用
@article{arxiv.2010.10631,
title = {ENSURE: A General Approach for Unsupervised Training of Deep Image Reconstruction Algorithms},
author = {Hemant Kumar Aggarwal and Aniket Pramanik and Maneesh John and Mathews Jacob},
journal= {arXiv preprint arXiv:2010.10631},
year = {2022}
}