基于学习的图像重建 via 并行邻近算法
计算机视觉与模式识别
2018-07-04 v1
摘要
在过去十年中,稀疏驱动的正则化推动了图像重建算法的发展。传统上,此类正则化器依赖于稀疏性的解析模型(例如全变分 (TV))。然而,近期的方法越来越多地围绕受深度学习启发的数据驱动论点展开。在本文中,我们提出通过用可训练的替代先验替换 l1 惩罚来推广 TV 正则化。具体而言,我们的方法通过扩展最近提出的快速并行邻近算法 (FPPA) 以纳入数据自适应邻近算子,从而学习该先验。所提出的框架不需要额外的内迭代来评估相应学习先验的邻近映射。此外,我们的形式化确保训练与重建过程共享相同的算法结构,使得端到端实现直观。作为一个示例,我们在荧光显微镜中去卷积问题上展示了我们的算法。
引用
@article{arxiv.1801.09518,
title = {Learning-based Image Reconstruction via Parallel Proximal Algorithm},
author = {Emrah Bostan and Ulugbek S. Kamilov and Laura Waller},
journal= {arXiv preprint arXiv:1801.09518},
year = {2018}
}