LAMA-Net：面向双域重构的收敛网络架构
计算机视觉与模式识别
2025-07-31 v1
摘要
我们提出一种可学习的变分模型，通过学习特征并利用图像域与测量域的互补信息进行图像重构。具体而言，我们引入了来自前期工作的学习型交替最小化算法（LAMA），该算法在proximal交替框架中融合残差学习架构，针对两块非凸且非光滑的优化问题进行求解。本文的目标是为LAMA提供完整且严谨的收敛性证明，证明该算法的指定子序列的所有聚集点都必须是问题的Clarke驻点。LAMA直接生成一种高度可解释的神经网络架构，称为LAMA-Net。除前期工作中展示的结果外，我们进一步证明了LAMA的收敛性质为LAMA-Net在稳定性和鲁棒性方面带来显著优势。我们还展示，通过集成设计恰当初始值生成网络，LAMA-Net的性能可进一步提升，该方法称为iLAMA-Net。为评估LAMA-Net/iLAMA-Net，我们在稀疏视角CT（Sparse-View Computed Tomography）的流行基准数据集上开展了多项实验，并与多个最先进的方法进行了比较。
引用
@article{arxiv.2507.22316,
title = {LAMA-Net: A Convergent Network Architecture for Dual-Domain Reconstruction},
author = {Chi Ding and Qingchao Zhang and Ge Wang and Xiaojing Ye and Yunmei Chen},
journal= {arXiv preprint arXiv:2507.22316},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2410.21111