Key points are not available for this paper at this time.
Redes genéricas de aprendizado profundo (DL) para restauração de imagens, como remoção de ruído e interpolação, carecem de interpretabilidade matemática, necessitam de uma quantidade volumosa de dados de treinamento para ajustar um grande conjunto de parâmetros e são frágeis durante mudanças de covariância. Para abordar essas limitações, para um modelo geral de formação de imagem linear, primeiro formulamos um problema de otimização convexa com um novo prior de suavidade gráfica chamado regularizador de Laplaciano de Gradiente (GGLR) que promove a reconstrução de sinal planar por partes (PWP). Para resolver o problema proposto, introduzimos um número variável de variáveis auxiliares para criar uma família de algoritmos ADMM Plug-and-Play (PnP) e os desdobramos em redes feed-forward de complexidade variável, aptas para ajuste de parâmetros via retropropagação. Redes desdobradas mais complexas requerem mais dados rotulados para treinar mais parâmetros, mas têm melhor potencial de desempenho. Resultados experimentais mostram que nossas redes desdobradas apresentam desempenho competitivo em relação às redes DL genéricas em qualidade de restauração de imagens, enquanto utilizam uma pequena fração de parâmetros, e demonstram maior robustez a mudanças de covariância.
Cai et al. (Mon,) estudaram essa questão.