基于能量模型共享先验学习的图像重建

我们提出了一种新颖的基于学习的图像重建框架，特别设计用于在无真值数据的情况下进行训练，其包含三个主要构件：基于能量的学习、基于块的 Wasserstein 损失泛函，以及共享先验学习。在基于能量的学习中，由学习的数据保真项和数据驱动正则化项组成的能量泛函的参数在一个平均场最优控制问题中被计算。在无真值数据的情况下，我们将损失泛函改为基于块的 Wasserstein 泛函，其中将输出图像的局部统计与未损坏的参考块进行比较。最后，在共享先验学习中，上述两个最优控制问题利用正则化器的共享学习参数同时优化，以进一步增强无监督图像重建。我们推导了梯度流的几种时间离散格式，并从 Mosco 收敛的角度验证了它们的一致性。在大量数值实验中，我们证明了所提方法在各种图像重建应用中生成了最先进的结果——即使没有真值图像可用于训练。