基于局部凸多尺度能量（LC-MUSE）模型的 MAP 图像恢复及其保证
机器学习
2025-02-06 v1 计算机视觉与模式识别
图像与视频处理
摘要
我们提出了一种多尺度深度能量模型，该模型在数据流形周围的局部邻域内是强凸的，用以表示其概率密度，并应用于逆问题。具体而言，我们将负对数先验表示为由卷积神经网络（CNN）参数化的多尺度能量模型。我们限制 CNN 的梯度为局部单调，从而将该模型约束为局部凸多尺度能量（LC-MuSE）模型。我们将学习到的能量模型用于基于图像的逆问题，该公式提供了几个理想的性质：i) 解的唯一性，ii) 收敛到逆问题最小值的保证，以及 iii) 对输入扰动的鲁棒性。在并行磁共振（MR）图像重建的背景下，我们表明所提出的方法优于最先进的凸正则化器，同时其性能可与即插即用正则化器和端到端训练方法相媲美。
引用
@article{arxiv.2502.03302,
title = {MAP Image Recovery with Guarantees using Locally Convex Multi-Scale Energy (LC-MUSE) Model},
author = {Jyothi Rikhab Chand and Mathews Jacob},
journal= {arXiv preprint arXiv:2502.03302},
year = {2025}
}