基于$\ell_p$总变差的过分散低光子计数生物医学成像稀疏信号重建
内容提要
本文探讨了多种图像恢复技术，包括总变差最小化、Plug-and-Play ADMM算法、基于块的l1范数正则化和在线PnP算法。这些方法在压缩感知、超分辨率和低光子计数环境下表现优异，提供了有效的图像重建解决方案，并通过理论分析和数值实验验证了其有效性。
延伸解读
低光子计数成像的挑战与应对
在低光子计数环境下，光子数量极少，导致测量数据不仅受泊松噪声影响，还可能出现过分散现象，即方差大于均值，传统泊松模型难以有效处理。本文针对这一问题，引入加权各向异性-各向同性全变差正则化器，旨在避免阶梯效应，并通过优化方法恢复图像。数值实验表明，该方法在极度光子受限的情况下尤其有效，为生物医学成像等应用提供了潜在解决方案。
总变差最小化的理论保证
总变差最小化是一种从欠采样噪声测量中恢复图像的有效方法。本文介绍了其近乎最优保证，证明能够通过O(s log N)个非自适应线性测量重建图像，达到梯度最佳s项近似。这一理论结果为压缩感知等领域的应用提供了坚实基础，并指出对数因子可通过增加测量来消除，增强了方法的实用性。
Plug-and-Play ADMM的收敛性与应用
Plug-and-Play ADMM算法通过引入有界去噪器的渐近条件，具有固定点收敛性，适用于超分辨率和单光子成像等任务。本文提出了快速实施方案，并证明了算法收敛到一个固定点。这一特性使其成为解决成像反问题的有力工具，尤其在需要快速处理的场景中。
稀疏表示与在线算法的进展
基于块的l1范数正则化器能够实现图像稀疏表示及重建，并保证全局最优性，在压缩图像恢复等任务中有效。在线PnP算法基于迭代收缩/阈值算法，适用于大型数据集，并具有收敛性分析。这些方法拓展了图像重建的应用范围，提高了处理效率。
Q&A
总变差最小化在图像恢复中有什么优势？
总变差最小化能够通过O（slog（N））个非自适应线性测量准确恢复图像，提供近乎最优的保证。
Plug-and-Play ADMM算法的收敛性如何？
Plug-and-Play ADMM算法具有固定点收敛性，适用于超分辨率和单光子成像的快速实施。
基于块的l1范数正则化器的作用是什么？
基于块的l1范数正则化器用于实现图像的稀疏表示及重建，并保证全局最优性。
在线PnP算法适合处理什么类型的数据集？
在线PnP算法适用于大型数据集的图像重建，具有良好的扩展性。
如何在低光子计数环境下恢复图像？
可以通过加权各向异性-各向同性全变差正则化器来优化恢复受到泊松噪声影响的图像。
插拔式去噪算法的主要特点是什么？
插拔式去噪算法利用现成的图像去噪器解决成像反问题，并提供经典正则化理论的概述。
