Abstract
虽然监督深度学习已经成为解决许多图像恢复问题的突出工具,但人们对研究自监督或无监督方法越来越感兴趣,以解决收集真实图像的挑战和成本。
基于贝叶斯估计的神经网络,这篇文章提出了一种用于一般图像恢复问题的自监督深度学习方法。
neuralized estimator 的关键部分是一种自适应随机梯度 Langevin dynamics 算法,该算法可以有效地采样网络权值的后验分布。
该方法适用于压缩感知和 phase retrieval 两个图像恢复问题。
在这些应用上的实验表明,该方法不仅在图像恢复质量方面优于现有的非学习和无监督解,而且具有更高的计算效率。
Conclusion
这篇文章提出了一种用于一般图像恢复和重建问题的自监督深度学习方法,该方法基于 adaptive stochastic gradient Langevin dynamics 以有效 MCMC 采样用以积分计算。
该方法具有通用性,在结构质量和计算效率方面优于现有的无监督学习方法。
-
Previous
【深度学习】Hyplex:Real-time Hyperspectral Imaging in Hardware via Trained Metasurface Encoders -
Next
【深度学习】DIP:Deep Image Prior