前向模型参数不确定下利用神经网络先验的图像信号恢复
计算机视觉与模式识别
2024-05-07 v1
摘要
逆成像问题（IIPs）出现在各种应用中，其主要目标是从压缩测量中重建图像。该问题通常因欠定且存在多个可互换的一致解而病态。最佳解本质上依赖于先验知识或假设，如图像的稀疏性。此外，大多数IIP的重建过程显著依赖于成像（即前向模型）参数，这些参数可能不完全已知，或者测量设备可能发生校准漂移。前向模型中的这些不确定性带来了重大挑战，当假定的前向模型参数与实际参数不完全匹配时，通常会发生不准确的重建。在这项工作中，我们致力于在存在一组可能的前向模型参数的背景下实现精确重建。这里，我们提出了一种新颖的矩聚合（MA）框架，该框架与使用神经网络先验的流行IIP解决方案兼容。具体而言，我们的方法可以在神经网络更新过程中同时考虑前向模型的所有候选参数来重建信号。我们从理论上证明了MA框架的收敛性，其复杂度与已知前向模型参数下的重建相似。概念验证实验表明，在压缩感知和相位恢复应用中，所提出的MA在重建中达到了与已知精确参数的前向模型相当的性能，在包括MNIST、X射线、Glas和MoNuseg等多个数据集上PSNR差距为0.17至1.94。这突显了我们的方法在前向模型不确定下重建的巨大潜力。
引用
@article{arxiv.2405.02944,
title = {Imaging Signal Recovery Using Neural Network Priors Under Uncertain Forward Model Parameters},
author = {Xiwen Chen and Wenhui Zhu and Peijie Qiu and Abolfazl Razi},
journal= {arXiv preprint arXiv:2405.02944},
year = {2024}
}
备注
Accepted by PBDL-CVPR 2024