在展开式 ADMM 中学习方法邻近算子用于相位恢复
声音
2022-08-17 v1 音频与语音处理
信号处理
摘要
本文考虑相位恢复（PR）问题，其目标是从无相位测量（如幅度或功率谱图）中重建信号。PR 通常被处理为涉及二次损失的极小化问题。近期工作考虑了替代的差异度量，如 Bregman 散度，但针对给定设置定制最优损失仍具挑战性。本文提出一种自动学习 PR 最优度量的新策略。我们将最近引入的 ADMM 算法展开为神经网络，并强调用于表述 PR 问题的损失信息由 ADMM 更新中涉及的邻近算子传达。因此，我们将该邻近算子替换为可训练的激活函数：在监督设置下学习这些函数等价于学习 PR 的最优度量。使用语音信号进行的实验表明，我们的方法以轻量且可解释的神经架构优于基线 ADMM。
引用
@article{arxiv.2204.01360,
title = {Learning the Proximity Operator in Unfolded ADMM for Phase Retrieval},
author = {Pierre-Hugo Vial and Paul Magron and Thomas Oberlin and Cédric Févotte},
journal= {arXiv preprint arXiv:2204.01360},
year = {2022}
}
备注
10 pages, 5 figures, submitted to IEEE SPL