用于无相位成像的展开 Wirtinger Flow 与深度解码先验
信号处理
2022-10-13 v4
摘要
我们介绍了一种基于深度学习 (DL) 的网络及其相关的精确恢复理论，用于从仅强度测量中进行成像。该网络架构采用循环结构，将 Wirtinger Flow (WF) 算法展开，并引入深度解码先验，使得算法更新能够在低维编码图像空间中执行。我们使用一个单独的深度网络 (DN)，称为编码网络，将 WF 算法中使用的谱初始化转换为编码域的适当初始值。该展开方案将底层优化算法的固定迭代次数建模为一个循环神经网络 (RNN)。此外，它有助于同时学习解码网络、编码网络和 RNN 的参数。我们建立了一个充分条件，以保证在确定性前向模型下的精确恢复。此外，我们展示了训练后的解码先验和编码网络的 Lipschitz 常数与 WF 算法收敛速度之间的关系。我们使用来自 PCSWAT 软件的高保真仿真数据，展示了我们的方法在合成孔径成像中的实际适用性。我们的数值研究表明，解码先验和编码网络有助于提高样本复杂度。
引用
@article{arxiv.2108.01735,
title = {Unrolled Wirtinger Flow with Deep Decoding Priors for Phaseless Imaging},
author = {Samia Kazemi and Bariscan Yonel and Birsen Yazici},
journal= {arXiv preprint arXiv:2108.01735},
year = {2022}
}