面向图像插值的基于图的Douglas-Rachford算法展开，结合受知初始化

传统深度神经网络 (DNN) 随机初始化网络参数，然后通过随机梯度下降 (SGD) 优化每个参数，导致大量潜在的差异性能局部最小值。我们聚焦于图像插值，利用一种最新定理将 (伪) 线性插值器 $\Theta$ 映射为解决对应 MAP 问题并带图移变 (GSV) 先验的图滤波器解的有向图过滤器。首先，我们基于已知插值器 $\Theta$ 初始化一个有向图邻接矩阵 $A$，建立基线性能。随后，为进一步提升性能，我们从数据中学习扰动矩阵 $P$ 和 $P^{(2)}$ 来增强 $A$，其恢复效果通过 Douglas-Rachford (DR) 迭代逐层实现。我们将其展开为一个轻量且可解释的神经网络。在不同的图像插值场景中进行实验，表明该方法在性能上达到最前沿水平，同时大幅度减少了网络参数和推理复杂度。