【method】ADMM-CSNet | 一种图像压缩感知重建的深度学习方法（1）- 方法解析

#! https://zhuanlan.zhihu.com/p/644157062

【method】ADMM-CSNet | 一种图像压缩感知重建的深度学习方法（1）- 方法解析

🎯 Paper: https://ieeexplore.ieee.org/document/8550778

🚀 matlab: https://github.com/yangyan92/Deep-ADMM-Net

🚀pytorch: https://github1s.com/lixing0810/Pytorch_ADMM-CSNet/blob/HEAD/network/CSNet_Layers.py

摘要

本文将传统的基于模型的CS方法和数据驱动的深度学习方法相结合，地考虑了一个图像重建的广义CS模型，使用ADMM算法求解该模型，并进一步将ADMM算法扩展为unrolling深度网络，使得ADMM的所有参数通过端到端判别学习实现。

该方法在复数MR成像和实自然图像上实现了较好的重建精度。

广义压缩感知模型

本节展示了generalized CS model并提出了两种ADMM迭代求解方法。

1.Model

有约束的标准CS模型定义为：

• 稀疏系数$s$目标使用正交稀疏基$\Psi$重构原始信号$x$，即$x=\Psi s$；
• $y$为$x$的观测，$\Phi$为随机欠采样矩阵；

${\Psi }_l^{+}$是${\Psi }^{+}的第$$l$行。

由于$x$任意分辨率，进一步将图像表示${\Psi }^{+}x$推广到使用固定局部滤波器的图像卷积，并将$l_1$正则推广到更通用的正则化$g(\cdot )$。这便可以放松对$\Psi$正交性和可逆性的要求，定义广义CS模型：

$D_l$为第$l$个卷积运算的变换矩阵，$l$为滤波器的数量。

说明：特殊情况下，举个例子$D_l$可以是离散余弦变换，$g(\cdot )$可以为$l_q,q\in [0,1]$稀疏正则。在本文中把他们设置为可学习的。

2. ADMM Solver

下面根据引入辅助变量方式的不同，提出了两种ADMM求解器：

a. Solver 1：引入变换域独立辅助变量$z=z_1,...,z_L$，则公示(8)等价于

其增广拉格朗日函数形式为

$<{\alpha }_l,D_{l}x-z_l>={\alpha }_l(D_{l}x-z_l)$；$\lambda ,\rho$为人为设定的惩罚因子。

接着令${\beta }_l=\frac{{\alpha }_l}{{\rho }_l}$，则ADMM可以用简化版缩放形式替代，通过交替优化下面的子问题求解：

${\eta }_l$为拉格朗日乘数的更新率

上述ADMM缩放形式推导：（具体推导参考自【1】【凸优化笔记7】-交替方向乘子法（ADMM） - 知乎 (zhihu.com)）

ADMM solver[11]可以通过下面的迭代式进行求解：

$n$代表有多少次迭代，$H$为共轭转置，$S(\cdot )$表示具有参数${\lambda }_l/{\rho }_l$的关于$g(\cdot )$的非线性近端映射（参考【2】近端映射与软阈值）算子，通常是软阈值或者硬阈值函数，分别对应$l_1$或者$l_0$稀疏正则化，具体可以看参考【2】。

上述求解式的推导如下：（参考【1】）

b. Solver 2：在图像域中引入辅助变量$z$，则公示(8)等价于：

增广拉格朗日函数为：

令${\beta }_l=\frac{{\alpha }_l}{{\rho }_l}$，则ADMM缩放形式为：

[15] 可以通过下面的迭代式进行求解：

一种求解[15]中第二项的方法是直接进行梯度下降，如[17]，其中$H(\cdot )$表示正则项$g(\cdot )$的导数。

3.重建的高效计算

略

用于CS成像的ADMM-CSNET

1.Basic-ADMM-CSNet

基于ADMM solver I （公式[12]），如图[1]：

2. Generic-ADMM-CSNet

对solver2使用神经网络进行拓展，提出Generic-ADMM-CSNet。

下图为提出的网络结构：

图二 data flow：实心箭头表示正向过程中的数据流，虚线箭头表示反向传播中的反向流。

整个迭代流程为： (除了整个结构的迭代循环，z zz 的内部（红色框部分）又有多次的迭代循环)

**a. Reconstruction Layer$X^{(n)}$：**并没有约束不同阶段的网络结构要相同；每个阶段的输出为

在第一阶段，定义

**b.Multiplier Update Layer$M^{(n)}$：**模块的输出为

c.Auxiliary Variable Update Block

auxiliary variable update block to implement ${\mathbf{Z}}^{(n)}$ in eqn. [16]，参考公式[17]对${\mathbf{Z}}^{(n)}$进行求解。

每个auxiliary variable update block包括：两个卷积层$({\mathbf{C}}_1^{(n,k)},{\mathbf{C}}_2^{(n,k)})$，一个非线性激活层$\mathbf{H}$，和一个addition layer$\mathbf{A}$。其中n表示第n和block，k表示迭代次数

• 卷积层$({\mathbf{C}}_1^{(n,k)},{\mathbf{C}}_2^{(n,k)})$，分别代表$D_l,D_l^T$。

• 非线性激活层${\mathbf{H}}^{(n,k)}$：我们不将其定义为公式8中的正则$g()$的导数，而是使用分段线性函数去学习一个广义的函数，如下，公式3举了例子:

  注意：当$c_1^{(n,k)}$为复数，我们需要对实部和虚部分开求解，并且实部和虚部共享分段线性函数，如下：

  

• Addition Layer ${\mathbf{A}}^{(n,k)}$：简单的加权算子，定义初始化为${\mathbf{A}}^{(n,0)}:z^{(n,0)}=x^{(n)}+{\beta }^{(n-1)}$。该模块的输出为：

因此，the output of the auxiliary variable update block in $n$-th stage is $z^{(n)}=z^{(n,N-t)}$ 。

模型的可学习参数分析：

3. Network Structure Analysis

两种ADMM-CSNet的主要不同之处在于reconstruction layer和network layers ${\mathbf{Z}}^{(n)}$的实现。

reconstruction layer：

• Basic-ADMM-CSNet 使用CS MRI，如命题1、2讨论
• Generic-ADMM-CSNet 使用CS观测矩阵进行快速矩阵求逆

network layers implementing ${\mathbf{Z}}^{(n)}$

• Basic-ADMM-CSNet 使用公式12的${\mathbf{Z}}^{(n)}$闭式解
• Generic-ADMM-CSNet 使用unfolded梯度下降迭代${\mathbf{Z}}^{(n)}$，这进一步引入了用于增强网络容量的可学习参数。实现非闭式解。第6.1节所示，通用ADMMCSNet显著改善了CS-MRI的结果。

网络训练

• paired数据：全采样x和欠采样观测y

• 损失函数：averaged normalized root mean square error (NRMSE)

  

• 可学习参数：

  

• 初始化：by model-based initialization method or random initialization method

  • Model-Based Initialization：use a specific model to initialize
  • random initialization such as Gaussian distribution initialization

参考资料

【1】【凸优化笔记7】-交替方向乘子法（ADMM） - 知乎 (zhihu.com)

【2】【凸优化笔记4】-4.3 软阈值算子