優(yōu)化方法是解決底層視覺問題的重要手段之一。它借助人們對視覺問題的經(jīng)驗知識建立優(yōu)化目標(biāo)函數(shù),然后采用理論分析較為完善的數(shù)值迭代算法進行求解,但通常會因為目標(biāo)函數(shù)過于復(fù)雜而求解困難。一些方法采用直接在迭代中插入深度網(wǎng)絡(luò)結(jié)構(gòu)建立可學(xué)習(xí)優(yōu)化算法來避免復(fù)雜求解,但這種簡單粗暴的結(jié)合導(dǎo)致算法的穩(wěn)定性、收斂性等理論結(jié)果遭到破壞。本文瞄準(zhǔn)該問題展開研究,通過精細(xì)的設(shè)計,提出了一系列具有穩(wěn)定性或者收斂性分析的可學(xué)習(xí)優(yōu)化方法,解釋了深度網(wǎng)絡(luò)傳播在學(xué)習(xí)目標(biāo)函數(shù)下降方向的有效性,并在底層視覺問題中給予驗證。其主要貢獻(xiàn)如下:1.穩(wěn)定的反饋控制系統(tǒng)實現(xiàn)圖像盲復(fù)原。針對圖像盲復(fù)原算法求解不穩(wěn)定的問題,基于梯度下降求解過程可以被離散反饋控制系統(tǒng)所模擬的觀點,提出利用穩(wěn)定的反饋控制系統(tǒng)實現(xiàn)去模糊過程中潛在圖像的演化過程。具體地,通過設(shè)計有效的控制器和反饋過程來構(gòu)造反饋控制系統(tǒng),并利用控制器元件的系數(shù)控制整個算法的穩(wěn)定性。為提升算法性能,該方法結(jié)合圖像稀疏先驗和數(shù)據(jù),設(shè)計了可學(xué)習(xí)的引導(dǎo)、濾波器、稀疏測度共同作為系統(tǒng)的控制器。非盲去卷積上的實驗驗證了所提出反饋控制系統(tǒng)的有效性,不同場景數(shù)據(jù)庫上的可視化實驗也表明我們的方法取... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：102 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１．１面向底層視覺問題的優(yōu)化方法框架

優(yōu)化迭代?＇最ｔｉｔ解？＇??圖１．１面向底層視覺問題的優(yōu)化方法框架。??Ｆｉｇ．?１．１?Ｆｒａｍｅｗｏｒｋ?ｏｆ?ｏｐｔｉｍｉｚａｔｉｏｎ?ｍｅｔｈｏｄｓ?ｆｏｒ?ｌｏｗ－ｌｅｖｅｌ?ｖｉｓｉｏｎ?ｐｒｏｂｌｅｍｓ．??此，圍繞該想法，本文借助底層視覺問題（如圖１．２所示，包括圖像去模糊，圖像修補??等），從不同的角度提出一系列有穩(wěn)定性或者收斂性分析的可學(xué)習(xí)數(shù)值優(yōu)化方法。這些??方法將經(jīng)驗知識驅(qū)動的模型優(yōu)化和數(shù)據(jù)驅(qū)動的網(wǎng)絡(luò)結(jié)構(gòu)進行有效的融合，并通過一系列??的準(zhǔn)則對結(jié)合學(xué)習(xí)機制的可展開迭代過程進行判斷，以確保每一次迭代都是朝著目標(biāo)函??數(shù)的下降方向更新�？傊�，本文提出的方法不僅能從優(yōu)化的角度提供靈活且穩(wěn)定、收斂??的可學(xué)習(xí)優(yōu)化算法，而且還從優(yōu)化出發(fā)解釋深度網(wǎng)絡(luò)實際上是在推理或者預(yù)測滿足物理??規(guī)律能量函數(shù)優(yōu)化過程中的下降方向。??１．２國內(nèi)外相關(guān)工作研究進展??正如研宄背景所述，模型優(yōu)化是解決底層問題的重要手段，而深度網(wǎng)絡(luò)則是讓優(yōu)化??方法能學(xué)習(xí)起來的重要工具。因此

??＆范數(shù)ｈ通過大量采集數(shù)據(jù)對圖像像素分布進行探究，Ｋｒｉｓｈｎａｎ等人［１７］對自然圖??像梯度給出了更細(xì)致的分析。如圖１．３所示，作者發(fā)現(xiàn)清晰自然圖像的梯度分布更接近??于超拉普拉斯分布，因此他們給出了關(guān)于圖像梯度的＆范數(shù)的稀疏約束。該文獻(xiàn)將底層??視覺問題建模為??ｍｉｎ?＾｜｜２）（ｘ；?Ａ）?－?ｙ＼＼＼?＋?ａ｜｜Ｖｘ｜｜９．?（１．１０）??ｘ?Ｚ??求解方案與全變分模型相似，不同的是先驗項的求解方法不同。全變分中的＾范數(shù)對應(yīng)??著軟閾值問題，而這里超拉普拉斯的＆范數(shù)則可以通過在最小化問題ｍｉｎｕ?士｜｜１１?－?Ｖｘ｜｜?＋??｜｜ｕ｜｜９查找表中查找得到。Ｚｕｏ等人［１８］對該方法進行了拓展，他們提出了廣義的收縮閾??值算子處理底層視覺問題。具體來說，作者根據(jù)圖像在一個迭代算法中的演化過程，指??出在不同的迭代次數(shù)中應(yīng)該采用不同的稀疏程度來逐步細(xì)化求解目標(biāo)圖像。為了實現(xiàn)這??一目標(biāo)，在每次迭代中作者采用不同的４范數(shù)進行求解。此外，作者在這里還探索了新??的求解ｍｉｎｕ點｜｜１１?－?Ｖｘ｜｜?＋?｜＿ｆ／問題的方法。??高斯先驗：考慮到自然界中很多事物都對應(yīng)著高斯分布，Ｌｉ等人［１９］提出了用分片??的高斯混合先驗從低質(zhì)觀測中恢復(fù)清晰圖像的方法。該先驗廣泛的用在解決各種底層視??覺問題中［１９


本文編號：2994160