Learning Sparse and Low-Rank Priors for Image Recovery via Iterative Reweighted Least Squares Minimization

要約

タイトル：イテレーティブ再重み付き最小二乗法による画像復元のためのスパース・ローランク事前知識学習

要約：
– 本論文では、学習されたスパース・ローランク制約の下での画像復元のための新しい最適化アルゴリズムを提案している。
– 続いて、0 < p ≤ 1に対して、重み付き拡張の$\ell_p^p$ベクトルおよび$\mathcal S_p^p$シャッテン行列準ノルムを利用して、制約を決定する。 - 本提案されたアルゴリズムは、$\ell_1$制約や核ノルム制約の下での信号復元に使用されるIteratively Reweighted Least Squares (IRLS) メソッドを一般化することができる。 - また、全体的な最小化アプローチを再帰的なネットワークとして解釈し、逆問題を解決するために使用することができる。 - IRLS戦略が提供する収束保証により、効果的な深さに制限がないメモリ効率の高い暗黙的なバックプロパゲーションスキームを使用して、復元ネットワークをトレーニングすることが可能になる。 - 我々のネットワークの性能を評価するために、画像のぼやけ除去、超解像度、デモザイキング、スパース回復などのいくつかの逆問題に対して既存の復元方法と比較している。 - 我々の復元結果は非常に競争力があり、多くの場合、その復元モデルのパラメータ数は既存の展開ネットワークの数桁よりも低いレベルである。

要約(オリジナル)

We introduce a novel optimization algorithm for image recovery under learned sparse and low-rank constraints, which we parameterize as weighted extensions of the $\ell_p^p$-vector and $\mathcal S_p^p$ Schatten-matrix quasi-norms for $0\!arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI