FISTA-Net：学习用于成像反问题的快速迭代收缩阈值网络
图像与视频处理
2021-01-26 v3 应用物理
摘要
反问题对成像应用至关重要。本文中，我们提出一种基于模型的深度学习网络，名为FISTA-Net，它结合了基于模型的快速迭代收缩/阈值算法（FISTA）的可解释性与通用性，以及数据驱动神经网络的强正则化与免调参优势。通过将FISTA展开为深度网络，FISTA-Net的架构由级联的多个梯度下降、近端映射和动量模块组成。与FISTA不同，FISTA-Net中的梯度矩阵可在迭代中更新，并开发了近端算子网络用于非线性阈值化，可通过端到端训练学习。FISTA-Net的关键参数包括梯度步长、阈值值和动量标量均为免调参，并从训练数据中学习而非手工设定。我们进一步对这些参数施加正值与单调约束以确保其正确收敛。实验结果的视觉与定量评估表明，FISTA-Net能为不同成像任务（即电磁层析成像（EMT）与X射线计算机断层扫描（X-ray CT））优化参数。它优于最先进的基于模型与深度学习方法，并在不同噪声水平下相较其他有竞争力的基于学习的方法展现出良好的泛化能力。
引用
@article{arxiv.2008.02683,
title = {FISTA-Net: Learning A Fast Iterative Shrinkage Thresholding Network for Inverse Problems in Imaging},
author = {Jinxi Xiang and Yonggui Dong and Yunjie Yang},
journal= {arXiv preprint arXiv:2008.02683},
year = {2021}
}
备注
11 pages;