PIPO-Net：一种基于惩罚项独立参数优化的深度展开网络
信号处理
2025-05-06 v1
摘要
压缩感知（CS）已广泛应用于信号与图像处理领域。传统 CS 重建算法具有完备的理论基础但计算复杂度高，而流行的基于深度网络的方法虽能实现高精度的 CS 重建却缺乏可解释性。这些事实促使我们开发一种名为基于惩罚项独立参数优化网络（PIPO-Net）的深度展开网络，以结合上述两类 CS 方法的优点。PIPO-Net 的每个模块可分别视为带有各自惩罚函数的优化问题。PIPO-Net 的主要特征是，在每轮训练中，一个模块中的可学习参数独立于其他模块的那些参数进行更新。这使得网络能更灵活地寻找相应问题的最优解。此外，我们设计了均值减采样与高频互补块以提升 PIPO-Net 的性能。在 CS 图像重建上的实验证明了所提 PIPO-Net 的有效性。
引用
@article{arxiv.2311.02443,
title = {PIPO-Net: A Penalty-based Independent Parameters Optimization Deep Unfolding Network},
author = {Xiumei Li and Zhijie Zhang and Huang Bai and Ljubiša Stanković and Junpeng Hao and Junmei Sun},
journal= {arXiv preprint arXiv:2311.02443},
year = {2025}
}