原文:ICCV 2021 Open Access Repository+++
代码:GitHub - mengziyi64/CASSI-Self-Supervised
主要工作:
开发了一个将DIP( deep image priors)应用到PnP( plug-and-play)中的框架,即一个用于解决光谱SCI重建的自监督网络。并且将其与经过预训练的深度去噪先验结合,实验证明联合重建的效果好。
相关工作:
传统基于优化的算法:迭代速度慢,质量低,且手工先验(基于稀疏、低秩以及TV等)不适用于所有数据。
基于深度学习算法:对于有监督算法来说,虽然重建效果好,但是存在如下几个缺点:1、网络的泛化能力受限。因为存在的训练数据有限,比如高光谱训练数据中有些光谱不存在,导致无法很好地重建数据立方体。2、受限于特定的系统,因为在不同的系统中存在不同数量的光谱通道。此外,由于掩模(调制模式)的不同设计,训练好的cnn不能用于其他系统。而从头开始重新训练一个新的网络需要很长时间。
未经训练的神经网络直接从原始测量中学习先验直接应用于SCI重建,重建效果差。
方法:
SCI优化模型:
DIP解决问题:,期望的重建
其中Θ是要学习的网络参数,e是随机向量
DIP+R(x)(两先验联合重建光谱数据立方体):
如果直接引入辅助变量和平衡参数去将上述式子化为无约束优化,会导致该优化过程仅仅使用了DIP进行优化,导致接近测量y。(如)
因此,为避免上述问题,最小化优化算法如下:
由增广拉格朗日函数得,
此式子可以转为以下三个子问题的迭代求解:
- Θ(给定x和b):
两部分损失函数:第一项使接近x(最小化测量损失),第二项使接近x-b(去噪)。
- x:
由ADMM算法解x问题得,
由增广拉格朗日函数得,
此问题又可以转化为三个子问题:
1、
此式子为二次型可以求偏导后根据matrix inversion lemma (Woodbury matrix identity) ,求得,
2、
该问题可以转化为去噪问题
3、
- b:
完整算法表: