学习满足变分源条件的凸正则化器用于反问题
机器学习
2021-10-26 v1 图像与视频处理
摘要
几十年来，变分正则化一直是成像反问题重建中最成功的方法之一。随着近年来深度学习的出现及其惊人的成功，大量研究投入到变分设定下正则化器的数据驱动建模中。我们的工作扩展了最近提出的一种称为对抗凸正则化（ACR）的方法，该方法试图通过对抗训练学习数据驱动的凸正则化器，以结合数据的力量与经典凸正则化理论。具体而言，我们在训练期间利用变分源条件（SC）来强制真实图像最小化对应于所学凸正则化器的变分损失。这是通过向 ACR 训练目标添加适当的惩罚项来实现的。所得正则化器（缩写为 ACR-SC）性能与 ACR 相当，但与 ACR 不同，它带有定量的收敛速率估计。
引用
@article{arxiv.2110.12520,
title = {Learning convex regularizers satisfying the variational source condition for inverse problems},
author = {Subhadip Mukherjee and Carola-Bibiane Schönlieb and Martin Burger},
journal= {arXiv preprint arXiv:2110.12520},
year = {2021}
}
备注
Accepted to the NeurIPS-2021 Workshop on Deep Learning and Inverse Problems