文章大致思路
使用 deep convolution neural networks,
1.考虑了不同区域具有不同的characteristics(特性),因此作者使用不同的mapping functions 来动态调整不同区域的变换——稀疏表示。
2.将FISTA迭代求解过程unflod成分层次的 dynamic deep network。这个网络由多个 regional dynamic blocks 和相关联的 pixel-wise adaptive soft-thresholding modules组成,这两个部分分别负责 region-base dynamic mapping 和 pix-wise soft-thresholding selection。regional dynamic block 指导网络为不同区域调整变换域。
重构问题:
\(\Psi x\)是变换域中的系数
引入辅助变量\(r^k\),迭代步骤:
相关文章
Deep Image Prior(DIP)
L. Wang, C. Sun, Y. Fu, M. H. Kim, and H. Huang, “Hyperspectral image
reconstruction using a deep spatial-spectral prior,” in Proc. IEEE/CVF
Conf. Comput. Vis. Pattern Recognit., 2019, pp. 8032–8041.
Dynamic Mechanism
B. Yang, G. Bender, Q. V. Le, and J. Ngiam, “CondConv: Conditionally
parameterized convolutions for efficient inference,” Adv. Neural Inf. Process. Syst., vol. 32, 2019.