Robustness of Deep Equilibrium Architectures to Changes in the Measurement Model

要約

ディープ モデルベース アーキテクチャ (DMBA) は、逆問題のイメージングで広く使用され、物理的な測定モデルと学習済みのイメージの事前分布を統合します。
プラグアンドプレイ事前分布 (PnP) と深層平衡モデル (DEQ) は、大きな注目を集めている 2 つの DMBA フレームワークです。
この 2 つの主な違いは、DEQ の事前イメージは特定の測定モデルを使用してトレーニングされるのに対し、PnP の事前イメージは一般的なイメージ デノイザーとしてトレーニングされることです。
この違いは、PnP が DEQ と比較して測定モデルの変更に対してより堅牢であるという一般的な仮定の背後にあります。
この論文では、測定モデルの変更前の DEQ のロバスト性を調査します。
2 つのイメージング逆問題に関する我々の結果は、不一致の測定モデルでトレーニングされた DEQ 事前確率が画像デノイザーよりも優れていることを示唆しています。

要約(オリジナル)

Deep model-based architectures (DMBAs) are widely used in imaging inverse problems to integrate physical measurement models and learned image priors. Plug-and-play priors (PnP) and deep equilibrium models (DEQ) are two DMBA frameworks that have received significant attention. The key difference between the two is that the image prior in DEQ is trained by using a specific measurement model, while that in PnP is trained as a general image denoiser. This difference is behind a common assumption that PnP is more robust to changes in the measurement models compared to DEQ. This paper investigates the robustness of DEQ priors to changes in the measurement models. Our results on two imaging inverse problems suggest that DEQ priors trained under mismatched measurement models outperform image denoisers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google