具有收敛保证的学习型重建方法
计算机视觉与模式识别
2022-09-15 v3 机器学习
摘要
近年来，深度学习在图像重建方面取得了显著的实证成功。这促使人们持续探究在数据驱动方法关键用例（例如医学成像）中正确性与可靠性的精确表征。尽管基于深度学习的方法性能优异且高效，但对其稳定性或稳定性缺失的担忧已被提出，并具有严重的实际影响。近年来在揭示数据驱动图像恢复方法内部机理方面取得了重大进展，挑战了其被广泛认为的黑箱性质。在本文中，我们将明确数据驱动图像重建的相关收敛概念，并以此为基础综述具有数学严格重建保证的学习型方法。其中一个被强调的示例是 ICNN 的作用，其提供了将深度学习威力与经典凸正则化理论相结合以设计可证明收敛方法的可能性。本综述文章旨在为方法学研究者（寻求推进我们对数据驱动图像重建方法理解的前沿）以及实践者提供有用的收敛概念的易懂描述，并将一些现有实证实践置于坚实的数学基础之上。
引用
@article{arxiv.2206.05431,
title = {Learned reconstruction methods with convergence guarantees},
author = {Subhadip Mukherjee and Andreas Hauptmann and Ozan Öktem and Marcelo Pereyra and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2206.05431},
year = {2022}
}