面向逆问题的即插即用深度能量模型
图像与视频处理
2023-02-24 v1 计算机视觉与模式识别
机器学习
摘要
我们提出了一种用于即插即用(Plug-and-Play, PnP)图像恢复的崭新能量形式化方法。传统使用卷积神经网络(CNN)的PnP方法不具备基于能量的形式化。本工作的主要目标是引入一种基于能量的PnP形式化，其依赖于一个从训练数据中学习图像先验对数的CNN。得分函数被求取为该能量模型的梯度，其类似于一个编码器与解码器权重共享的UNET。因此，所提出的得分函数被约束为一个保守向量场，这是其与经典PnP模型的关键区别。基于能量的形式化提供了具有收敛保证的算法，即使所学得分模型不是压缩映射。对压缩约束的放宽使得所提模型能够学习更复杂的先验，从而相较传统PnP方案提供改进的性能。我们在磁共振图像重建中的实验证明了所提能量模型相较传统PnP方法的性能提升。
引用
@article{arxiv.2302.11570,
title = {Plug-and-Play Deep Energy Model for Inverse problems},
author = {Jyothi Rikabh Chand and Mathews Jacob},
journal= {arXiv preprint arXiv:2302.11570},
year = {2023}
}