利用测试时训练克服即插即用方法中的分布偏移
图像与视频处理
2024-03-18 v1 计算机视觉与模式识别
摘要
即插即用先验是计算成像中用于求解逆问题的一类著名方法。PnP 方法将物理正向模型与指定为图像去噪器的学习先验模型相结合。学习模型的一个常见问题是，当训练数据和测试数据之间存在分布偏移时，性能会下降。测试时训练（TTT）最近被提出作为一种通用策略，用于在训练和测试数据来自不同分布时提升学习模型的性能。在本文中，我们提出 PnP-TTT 作为一种克服 PnP 中分布偏移的新方法。PnP-TTT 利用深度平衡学习（DEQ）在 PnP 迭代的不动点处优化自监督损失。PnP-TTT 可直接应用于单个测试样本，以提升 PnP 的泛化能力。我们通过仿真表明，在给定充足测量数据的情况下，PnP-TTT 能够将在自然图像上训练的图像先验用于磁共振成像（MRI）中的图像重建。
引用
@article{arxiv.2403.10374,
title = {Overcoming Distribution Shifts in Plug-and-Play Methods with Test-Time Training},
author = {Edward P. Chandler and Shirin Shoushtari and Jiaming Liu and M. Salman Asif and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2403.10374},
year = {2024}
}