Momentum-Net：用于逆问题的快速收敛迭代神经网络

迭代神经网络（INN）在解决成像、图像处理和计算机视觉中的逆问题方面正迅速受到关注。INN 结合了回归神经网络与基于模型的迭代图像重建（MBIR）算法，通常既能保持良好的泛化能力，又能在重建质量上超越现有的 MBIR 优化模型。本文通过推广一种使用动量项和主化器的分块 MBIR 算法并结合回归神经网络，提出了首个快速且收敛的 INN 架构 Momentum-Net。为实现快速 MBIR，Momentum-Net 在外推模块中使用动量项，并在每次迭代中通过使用主化器采用非迭代 MBIR 模块，其中 Momentum-Net 的每次迭代由三个核心模块组成：图像精炼、外推和 MBIR。在两种渐近条件下，Momentum-Net 保证对一般可微（非）凸 MBIR 函数（或数据拟合项）和凸可行集收敛到不动点。为考虑训练与测试样本间数据拟合的变化，我们还提出了一种基于主化矩阵“谱展宽”的正则化参数选择方案。使用焦栈的光场摄影和稀疏视角计算断层扫描的数值实验表明，在回归 NN 架构相同的情况下，Momentum-Net 相较若干现有 INN 显著提升了 MBIR 速度与精度；在每个应用中，其重建质量相较最先进的 MBIR 方法均有显著改善。