学习弱凸规则化器以收敛图像重构算法
原文中文，约400字，阅读约需1分钟。发表于：。我们提出通过学习具有预设上界的非凸正则化器。这些正则化器产生了能够最小化一个凸能量的变分去噪器。它们依赖较少的参数（少于 15000 个），并且具有信号处理的解释性，因为它们模仿手工稀疏促进的正则化器。通过数值实验，我们证明了这样的去噪器在性能上优于凸正则化方法以及流行的 BM3D 去噪器。此外，学习到的正则化器可以用于求解具有可证收敛性的迭代方案的逆问题。对于 CT 和 MRI...
本文提出了一种通过学习具有预设上界的非凸正则化器的方法，该方法能够产生能够最小化凸能量的变分去噪器。数值实验证明了该去噪器在性能上优于凸正则化方法和BM3D去噪器。学习到的正则化器还可用于求解具有可证收敛性的迭代方案的逆问题。该正则化器在CT和MRI重建中具有很好的泛化性能，并在性能、参数数量、保证性和可解释性等方面与其他数据驱动方法相比具有出色的平衡。
