具有循环动量加速的深度展开网络用于非线性反问题
摘要：基于深度学习的深度展开网络（DuNets）结合了基于模型的迭代算法和数据驱动的深度学习解决方案，已成为解决逆向成像问题的流行工具。虽然DuNets已成功应用于许多线性逆问题，但非线性问题往往会影响该方法的性能。受优化算法中常用的动量加速技术的启发，我们提出了一个循环动量加速（RMA）框架，该框架使用长短时记忆循环神经网络（LSTM-RNN）来模拟动量加速过程。RMA模块利用LSTM-RNN学习和保留先前梯度的能力。我们将RMA应用于两个流行的DuNets——学习的近端梯度下降（LPGD）和学习的原始-对偶（LPD）方法，分别得到LPGD-RMA和LPD-RMA。我们在两个非线性逆问题上提供了实验结果：非线性退卷积问题和具有有限边界测量的电阻抗层析成像问题。在第一个实验中，我们观察到RMA所带来的改进在问题的非线性方面显著增加。第二个例子的结果进一步证明了RMA方案可以显著提高DuNets在强病态问题中的性能。
作者：Qingping Zhou, Jiayu Qian, Junqi Tang, Jinglai Li
论文ID：2307.16120
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-17