Core Concepts
불확실한 전방 모델 매개변수 하에서도 신경망 사전을 이용하여 정확한 영상 신호 복구를 달성할 수 있다.
Abstract
이 논문은 전방 모델 매개변수의 불확실성 문제를 해결하기 위한 Moment-Aggregation(MA) 프레임워크를 제안한다.
전방 모델 매개변수가 완전히 알려지지 않은 경우, 기존 방법들은 성능이 크게 저하되는 문제가 있다.
MA 프레임워크는 가능한 모든 전방 모델 매개변수 후보들을 동시에 고려하여 최적의 복구 성능을 달성한다.
이를 위해 각 순간(moment)마다 모든 후보 매개변수에 대한 손실을 집계하여 신경망을 업데이트한다.
이론적 분석을 통해 MA 프레임워크의 수렴 보장을 증명하였으며, 실험 결과 기존 방법 대비 우수한 성능을 보였다.
압축 센싱 및 위상 복원 문제에서 MA 프레임워크는 정확한 전방 모델 매개변수를 사용한 경우와 유사한 성능을 달성했다.
Stats
정확한 전방 모델 매개변수를 사용한 경우와 비교하여 PSNR 0.17 ~ 1.94 dB, SSIM 0.003 ~ 0.071 차이를 보였다.
Quotes
"Inverse imaging problems (IIPs) aim to reconstruct a sought-after image x0 ∈ Rn from its measurements y ∈ Rm, where m is often much smaller than n and the observation is typically contaminated by some sort of observation noise η."
"IIPs are typically ill-posed (underdetermined for m < n), which means they have multiple interchangeably consistent solutions."
"The quality of signal reconstruction can be severely declined if the designed and implemented parameters of forward models do not match."