Nest-DGIL：基于 Nesterov 优化的深度几何增量学习用于压缩感知图像重建
图像与视频处理
2023-10-13 v2 计算机视觉与模式识别
机器学习
摘要
基于近端梯度的优化是解决图像逆问题最常见的策略之一，且易于实现。然而，这些技术在图像重建中常产生严重伪影。最流行的细化方法之一是微调正则化参数以缓解此类伪影，但由于计算成本增加，其未必总是充分或适用。本工作中，我们提出一种基于二阶 Nesterov 近端梯度优化的深度几何增量学习框架。所提出的端到端网络不仅对高/低频图像特征具备强大的学习能力，且能从理论上保证由初步线性重建重构出几何纹理细节。此外，它可避免中间重建结果落于几何分解域之外的风险，并实现快速收敛。我们的重建框架被分解为四个模块：通用线性重建、级联几何增量修复、Nesterov 加速与后处理。在图像修复步骤中，设计级联几何增量学习模块以补偿来自不同几何谱分解域的缺失纹理信息。受重叠拼贴策略启发，我们还开发了后处理模块以去除基于分块的自然图像重建中的块效应。所提模型中的所有参数均可学习，并采用物理参数的自适应初始化技术以使模型灵活并确保平滑收敛。我们将所提方法与现有最先进方法的重建性能进行比较，以证明其优越性。我们的源代码见于 https://github.com/fanxiaohong/Nest-DGIL。
引用
@article{arxiv.2308.03807,
title = {Nest-DGIL: Nesterov-optimized Deep Geometric Incremental Learning for CS Image Reconstruction},
author = {Xiaohong Fan and Yin Yang and Ke Chen and Yujie Feng and Jianping Zhang},
journal= {arXiv preprint arXiv:2308.03807},
year = {2023}
}
备注
15 pages,our source codes are available at https://github.com/fanxiaohong/Nest-DGIL