具有收敛保证的可扩展即插即用 ADMM
机器学习
2021-01-25 v2 最优化与控制
机器学习
摘要
即插即用先验（PnP）是一种广泛应用的方法论，通过利用指定为去噪器的统计先验来解决逆问题。近期工作报道了在若干成像应用中，使用预训练深度神经网络作为去噪器的 PnP 算法取得了最先进的性能。然而，由于繁重的计算与内存需求，当前的 PnP 算法在大规模场景下不切实际。本工作通过提出广泛使用的 PnP-ADMM 算法的一种增量变体来解决该问题，使其可扩展到大规模数据集。我们在一组明确假设下从理论上分析了该算法的收敛性，扩展了该领域近期的理论结果。此外，我们展示了我们的算法在非光滑数据保真项和深度神经网络先验下的有效性、相较于现有 PnP 算法的快速收敛性，以及其在速度和内存方面的可扩展性。
引用
@article{arxiv.2006.03224,
title = {Scalable Plug-and-Play ADMM with Convergence Guarantees},
author = {Yu Sun and Zihui Wu and Xiaojian Xu and Brendt Wohlberg and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2006.03224},
year = {2021}
}
备注
First three authors contribute equally and are listed in alphabetical order