基于无训练神经网络的少测量傅里叶相位恢复
图像与视频处理
2023-07-19 v1 计算机视觉与模式识别
摘要
傅里叶相位恢复（FPR）是一项具有挑战性的任务，广泛应用于各种场景，其目标是从信号的傅里叶无相位测量中恢复未知信号。少测量下的 FPR 对于降低时间和硬件成本十分重要，但存在严重的病态性。近年来，无训练神经网络通过引入学习到的先验，在无需任何外部数据的情况下缓解了病态性。然而，它们在重建图像精细细节方面可能并不理想，且计算开销较大。本文提出一种基于交替方向乘子法（ADMM）框架的无训练神经网络（NN）嵌入算法，用于求解少测量 FPR。具体而言，我们使用生成网络表示待恢复图像，将图像限制在网络结构所定义的空间中。为提升高频信息表征能力，引入全变分（TV）正则化以促进图像局部结构的恢复。此外，为降低主要由无训练 NN 参数更新带来的计算成本，我们开发了一种在显式与隐式正则化之间自适应权衡的加速算法。实验结果表明，所提算法以更少的计算资源优于现有的无训练 NN 基算法，甚至可与基于训练 NN 的算法相竞争。
引用
@article{arxiv.2307.08717,
title = {Untrained neural network embedded Fourier phase retrieval from few measurements},
author = {Liyuan Ma and Hongxia Wang and Ningyi Leng and Ziyang Yuan},
journal= {arXiv preprint arXiv:2307.08717},
year = {2023}
}