用于图像恢复深度展开方法的旋转等变近端算子

深度展开方法在计算机视觉任务中引起了广泛关注，它很好地连接了传统图像处理建模方式与更新的深度学习技术。具体而言，通过在每一步实现中的算法算子与每一层中的网络模块之间建立直接对应关系，可以合理地构建一个几乎“白盒”的网络架构，具有高可解释性。在该架构中，只有近端算子的预定义组件（称为近端网络）需要手动配置，使网络能够以数据驱动的方式自动提取内在图像先验。在当前的深度展开方法中，这种近端网络通常被设计为CNN架构，其必要性已被近期理论证明。即，CNN结构实质上传递了平移不变图像先验，这是各类图像中最普遍拥有的结构先验。然而，基于标准CNN的近端网络在捕捉旋转对称先验（另一种普遍存在于一般图像中的结构先验）方面存在本质局限性。这为深度展开方法的进一步性能提升留下了很大空间。为解决此问题，本研究致力于提出一种高精度旋转等变近端网络，有效将旋转对称先验嵌入深度展开框架。特别是，我们首次推导了这种设计的近端网络在任意旋转角度下任意层的理论等变误差。该分析应是迄今为止对此类误差评估最精细的理论结论，并且对于支持具有内在可解释性要求的此类网络背后的合理性也是不可或缺的。