深度平衡架构对测量模型变化的鲁棒性
图像与视频处理
2022-11-02 v1 计算机视觉与模式识别
摘要
深度基于模型的架构(DMBA)广泛用于成像逆问题中，以集成物理测量模型与学习的图像先验。即插即用先验(PnP)与深度平衡模型(DEQ)是两种受到显著关注的DMBA框架。二者关键区别在于DEQ中的图像先验使用特定测量模型训练，而PnP中的先验作为通用图像去噪器训练。这一差异背后是一种常见假设：与DEQ相比，PnP对测量模型变化更具鲁棒性。本文研究DEQ先验对测量模型变化的鲁棒性。我们在两个成像逆问题上的结果表明，在失配测量模型下训练的DEQ先验优于图像去噪器。
引用
@article{arxiv.2211.00531,
title = {Robustness of Deep Equilibrium Architectures to Changes in the Measurement Model},
author = {Junhao Hu and Shirin Shoushtari and Zihao Zou and Jiaming Liu and Zhixin Sun and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2211.00531},
year = {2022}
}