QISTA-Net：求解$\ell_q$-范数最小化问题与图像压缩感知的DNN架构
计算机视觉与模式识别
2020-10-23 v1 机器学习
图像与视频处理
摘要
在本文中，我们将的非凸-范数最小化问题重新表述为一个两步问题，其包含一个凸子问题和一个非凸子问题，并提出一种称为QISTA（-ISTA）的新型迭代算法来求解该问题。利用深度学习在加速优化算法方面的优势，结合使用网络中所有前层动量的加速策略，我们提出一种基于学习的方法，称为QISTA-Net-s，以求解稀疏信号重构问题。大量实验比较表明，即使原始稀疏信号含噪，QISTA-Net-s也比最先进的-范数优化（加学习）算法产生更好的重构质量。另一方面，基于与QISTA相关的网络架构，考虑使用卷积层，我们提出QISTA-Net-n用于求解图像CS（压缩感知）问题，其重构性能仍优于大多数最先进的自然图像重构方法。QISTA-Net-n设计为由QISTA展开并将卷积算子作为字典加入。这使得QISTA-Net-s具有可解释性。我们给出完整的实验结果，表明QISTA-Net-s与QISTA-Net-n相较竞争方法贡献了更好的重构性能。
引用
@article{arxiv.2010.11363,
title = {QISTA-Net: DNN Architecture to Solve $\ell_q$-norm Minimization Problem and Image Compressed Sensing},
author = {Gang-Xuan Lin and Shih-Wei Hu and Chun-Shien Lu},
journal= {arXiv preprint arXiv:2010.11363},
year = {2020}
}