基于等变深度学习的成像
信号处理
2022-09-07 v1 计算机视觉与模式识别
摘要
从早期图像处理到现代计算成像，成功的模型与算法一直依赖于自然信号的一个基本属性：对称性。此处对称性是指信号集合对平移、旋转或缩放等变换的不变性。对称性也可以等变的形式融入深度神经网络，从而实现更高数据效率的学习。尽管近年来端到端等变网络在图像分类设计方面取得了重要进展，但计算成像为等变网络解决方案带来了独特挑战，因为我们通常仅通过某个本身可能非等变的含噪病态前向算子来观测图像。我们综述了新兴的等变成像领域，并展示其如何提供改进的泛化能力与新的成像机会。在此过程中，我们展示了采集物理与群作用之间的相互作用，以及其与迭代重建、盲压缩感知和自监督学习的联系。
引用
@article{arxiv.2209.01725,
title = {Imaging with Equivariant Deep Learning},
author = {Dongdong Chen and Mike Davies and Matthias J. Ehrhardt and Carola-Bibiane Schönlieb and Ferdia Sherry and Julián Tachella},
journal= {arXiv preprint arXiv:2209.01725},
year = {2022}
}
备注
To appear in IEEE Signal Processing Magazine