用于去噪正则化的在线深度平衡学习
图像与视频处理
2022-05-27 v1 计算机视觉与模式识别
机器学习
摘要
Plug-and-Play Priors (PnP) 和 Regularization by Denoising (RED) 是广泛使用的框架，通过求解结合物理测量模型与学习到的图像先验的算子的不动点来解决成像逆问题。虽然传统的 PnP/RED 公式侧重于使用图像去噪器指定的先验，但人们对学习端到端最优的 PnP/RED 先验的兴趣日益增长。最近的 Deep Equilibrium Models (DEQ) 框架通过在不存储中间激活值的情况下对不动点方程进行隐式微分，实现了 PnP/RED 先验的内存高效端到端学习。然而，PnP/RED 中测量模型的计算/内存复杂度对测量总数的依赖使得 DEQ 在许多成像应用中不切实际。我们提出 ODER 作为一种通过测量模型的随机近似来提高 DEQ 效率的新策略。我们从理论上分析 ODER，给出其收敛性及其逼近传统 DEQ 方法能力的见解。我们的数值结果表明，在三种不同的成像应用上，ODER 有望改善训练/测试复杂度。
引用
@article{arxiv.2205.13051,
title = {Online Deep Equilibrium Learning for Regularization by Denoising},
author = {Jiaming Liu and Xiaojian Xu and Weijie Gan and Shirin Shoushtari and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2205.13051},
year = {2022}
}
备注
28 pages, 8 figures