FISTA-Net: обучение сети быстрого итеративного усечения и пороговой обработки для решения обратных задач визуализации
FISTA-Net: Learning a Fast Iterative Shrinkage Thresholding Network for Inverse Problems in Imaging
2021-01-25
SCID: 54.1/cn69qk7a
Discuss with AI
электромагнитная томографияFISTA-Netразворачивание алгоритмаобратные задачи в визуализациипроксимальное отображение
Figures from the paper
Abstract (AI)
Обратные задачи имеют fundamentalное значение для приложений визуализации. В данной работе предлагается модельно-ориентированная сеть глубокого обучения FISTA-Net, объединяющая преимущества интерпретируемости и универсальности модельно-ориентированного алгоритма быстрого итеративного усечения/пороговой обработки (Fast Iterative Shrinkage/Thresholding Algorithm, FISTA) с преимуществами сильной регуляризации и отсутствия необходимости ручной настройки параметров, характерными для нейронных сетей, обучаемых на данных. Путём развертывания FISTA в глубокую сеть архитектура FISTA-Net включает последовательно соединённые модули градиентного спуска, проксимального отображения и инерции. В отличие от FISTA, градиентная матрица в FISTA-Net может обновляться на каждой итерации, а для нелинейной пороговой обработки разработана сеть проксимального оператора, обучаемая сквозным образом. Ключевые параметры FISTA-Net, включая размер шага градиента, пороговое значение и скаляр инерции, не требуют ручной настройки и обучаются по данным, а не задаются эвристически. Кроме того, на эти параметры накладываются ограничения положительности и монотонности, обеспечивающие их корректную сходимость. Экспериментальные результаты, оценённые визуально и количественно, показывают, что FISTA-Net может оптимизировать параметры для различных задач визуализации, а именно электромагнитной томографии (Electromagnetic Tomography, EMT) и рентгеновской компьютерной томографии (X-ray Computed Tomography, X-ray CT). Сеть превосходит современные модельно-ориентированные методы и методы глубокого обучения, а также демонстрирует хорошую обобщающую способность по сравнению с другими конкурентоспособными подходами на основе обучения при различных уровнях шума.
Key Findings
1
Эксперименты по электромагнитной томографии и рентгеновской компьютерной томографии показывают, что FISTA-Net оптимизирует параметры для разных задач визуализации и превосходит современные модельные и нейросетевые методы.
2
FISTA-Net демонстрирует хорошую обобщающую способность по сравнению с другими обучаемыми подходами при различных уровнях шума.
3
FISTA-Net разворачивает алгоритм FISTA в глубокую сеть, объединяющую модули градиентного спуска, проксимального отображения и инерции.
4
Шаги градиента, пороговые значения и коэффициенты инерции обучаются по данным без ручной настройки; для содействия сходимости на них накладываются положительные и монотонные ограничения.
5
В отличие от стандартного FISTA, FISTA-Net обучает зависящие от итерации градиентные матрицы и нелинейные проксимальные операторы сквозным образом.
Research Object
обратные задачи визуализации, в частности реконструкция в электромагнитной томографии (EMT) и рентгеновской компьютерной томографии (X-ray CT)
Research Subject
эффективность реконструкции, обучение параметров, сходимость и способность модели FISTA-Net к обобщению в различных задачах визуализации и при разных уровнях шума
Publication Details
Publication Date
2021-01-25
Journal
Publisher
ISSN
Cited by
397
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest