For nonconvex and nonsmooth restoration models, the lower bound theory reveals their good edge recovery ability, and related analysis can help to design convergent algorithms. Existing such discussions are focused on isotropic regularization models, or only the lower bound theory of anisotropic model with a quadratic fidelity. In this paper, we consider a general image recovery model with a non-Lipschitz anisotropic composite regularization term and an $\ell_q$ norm ($1\leq q<+\infty$) data fidelity term. We establish the lower bound theory for the anisotropic model with an $\ell_1$ fidelity, which applies to impulsive noise removal problems. For the general case with $1\leq q<+\infty$, a support inclusion analysis is provided. To solve this non-Lipschitz composite minimization model, we are then motivated to introduce a support shrinking strategy in the iterative algorithm and relax the support constraint to a thresholding support constraint, which is more computationally practical. The objective function at each iteration is also linearized to construct a strongly convex subproblem. To make the algorithm more implementable, we compute an approximation solution to this subproblem at each iteration, but not exactly solve it. The global convergence result of the proposed inexact iterative thresholding and support shrinking algorithm with proximal linearization is established. The experiments on image restoration and two stage image segmentation demonstrate the effectiveness of the proposed algorithm.


翻译:对于非 convex 和非 smoot 恢复模型, 下约束理论显示它们具有良好的边缘恢复能力, 相关分析可以帮助设计趋同算法。 现有的这类讨论侧重于异端正规化模型, 或仅侧重于具有二次对等性忠实的反异质模型的较低约束理论。 在本文中, 我们考虑一个具有非利普施茨 异质复合整流术语和 $\ell_ q美元标准值的普通图像恢复模型( $\leq q ⁇ infty$ ) 数据忠实化术语。 我们为反异端模型建立较低约束理论, 使用 $\ ell_ 1$ 美元对等值的正弦化算法。 对于使用 $\ leq q ⁇ intyl, 提供一种支持包容分析。 要解决这个非利普施氏性复合复合最小化的复合模型, 我们随后有动力在迭代算式解算法中引入一个支持缩减策略, 将支持约束度降低到一个门槛性支持约束值, 这是更实际的。 在每类正缩缩缩缩缩缩缩缩缩的图像阶段, 将一个更精确的缩缩缩化后, 。

0
下载
关闭预览

相关内容

剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
159+阅读 · 2020年1月16日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
150+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
下载 | 最优化算法鸟视解读
专知
54+阅读 · 2018年12月17日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
8+阅读 · 2019年2月15日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
下载 | 最优化算法鸟视解读
专知
54+阅读 · 2018年12月17日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
lightgbm algorithm case of kaggle(上)
R语言中文社区
8+阅读 · 2018年3月20日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员