用于近端学习与自动化压缩图像恢复的循环生成对抗网络
人工智能
2017-11-29 v1 信息检索
机器学习
摘要
从欠采样线性测量中恢复图像通常导致病态线性逆问题，需要恰当的统计先验。然而，构建有效先验受限于实时任务所要求的低训练与测试开销，以及以最小幻觉检索视觉上“合理”且物理上“可行”图像的需求。为应对这些挑战，我们设计了一种级联网络架构，通过将生成残差网络（ResNet）的益处渗透至对近端算子的建模，展开近端梯度迭代。随后采用像素级与感知代价混合来训练近端。整体架构类似于在可行与合理图像交集上的来回投影。我们针对重建小儿患者 MR 图像的全局任务，以及超分辨率 CelebA 人脸的更局部任务进行了大量计算实验，这对设计高效架构富有启发。我们的观察表明：对于 MRI 重建，具有单个残差块的循环 ResNet 能有效学习近端。这一简单架构以 2dB SNR 显著优于替代的深度 ResNet 架构，并以 100 倍更快的推断、4dB SNR 优于传统压缩感知 MRI。对于图像超分辨率，我们的初步结果表明对去噪近端建模需要深度 ResNet。
引用
@article{arxiv.1711.10046,
title = {Recurrent Generative Adversarial Networks for Proximal Learning and Automated Compressive Image Recovery},
author = {Morteza Mardani and Hatef Monajemi and Vardan Papyan and Shreyas Vasanawala and David Donoho and John Pauly},
journal= {arXiv preprint arXiv:1711.10046},
year = {2017}
}
备注
11 pages, 11 figures