Learned D-AMP：基于原理性神经网络的压缩图像恢复
机器学习
2017-11-08 v4 机器学习
摘要
压缩图像恢复是一个具有挑战性的问题，需要快速且准确的算法。最近，神经网络已应用于该问题并取得了有前景的结果。通过利用大规模并行 GPU 处理架构和大量训练数据，它们可以比现有技术快几个数量级运行。然而，这些方法在很大程度上是缺乏原理的黑箱，难以训练，且通常针对单一测量矩阵。最近研究表明，迭代稀疏信号恢复算法可以被“展开”以形成可解释的深度网络。受此工作启发，我们开发了一种新颖的神经网络架构，模仿基于去噪的近似消息传递（D-AMP）算法的行为。我们将此新网络称为 Learned D-AMP（LDAMP）。LDAMP 网络易于训练，可应用于多种不同的测量矩阵，并带有一个能准确预测其性能的状态演化启发式方法。最重要的是，它在精度和运行时间方面均优于最先进的 BM3D-AMP 和 NLR-CS 算法。在高分辨率下，且与具有快速实现的感知矩阵一起使用时，LDAMP 比 BM3D-AMP 快超过 ，比 NLR-CS 快数百倍。
引用
@article{arxiv.1704.06625,
title = {Learned D-AMP: Principled Neural Network based Compressive Image Recovery},
author = {Christopher A. Metzler and Ali Mousavi and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:1704.06625},
year = {2017}
}