随机原始对偶深度展开
图像与视频处理
2022-02-16 v4 计算机视觉与模式识别
最优化与控制
摘要
我们提出一种新型高效深度展开网络，用于求解成像逆问题。传统的深度展开方法在每一层都需要完整的前向算子及其伴随算子，因此与其他基于模型重建后处理的端到端方法相比，计算开销可能显著更大，尤其是对于 3D 图像重建任务。我们发展了经典学习型原始对偶（LPD）的随机（有序子集）变体，LPD 是用于层析图像重建的最先进展开网络。所提出的学习型随机原始对偶（LSPD）网络仅使用前向和伴随算子的子集，并提供了可观的计算效率。我们对 LSPD 框架的一个特例提供了理论分析，表明其有潜力以仅一小部分计算量实现与全批量 LPD 相竞争的图像重建质量。针对两个不同的 X 射线计算机断层扫描（CT）成像任务（即低剂量和稀疏视角 CT）的数值结果证实了这一理论发现，展示了 LSPD 网络在大规模成像问题中的前景。
引用
@article{arxiv.2110.10093,
title = {Stochastic Primal-Dual Deep Unrolling},
author = {Junqi Tang and Subhadip Mukherjee and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2110.10093},
year = {2022}
}