即插即用学习型高斯混合近似消息传递
机器学习
2020-11-19 v1 机器学习
摘要
深度展开（deep unfolding）被证明是加速和调优经典信号处理算法的一种非常成功的方法。本文中，我们提出学习型高斯混合 AMP（L-GM-AMP）——一种适用于任意独立同分布源先验的即插即用压缩感知（CS）恢复算法。我们的算法构建于 Borgerding 的学习型 AMP（LAMP）之上，但通过在算法内采用通用去噪函数对其进行了显著改进。该鲁棒且灵活的去噪器是用高斯混合（GM）对源先验建模的副产品，GM 可很好地近似连续、离散以及混合分布。其参数使用标准反向传播算法学习。为证明所提算法的鲁棒性，我们对混合分布和离散分布均进行了蒙特卡洛（MC）仿真。数值评估表明，L-GM-AMP 算法在没有任何源先验知识的情况下达到了最先进（state-of-the-art）性能。
引用
@article{arxiv.2011.09388,
title = {Plug-And-Play Learned Gaussian-mixture Approximate Message Passing},
author = {Osman Musa and Peter Jung and Giuseppe Caire},
journal= {arXiv preprint arXiv:2011.09388},
year = {2020}
}