.png){kind=icon}
返回
Graph-Regularized Estimation for Inverse Problems in Computational Optical Imaging
.png){kind=icon}
PRE
AI
DOI：10.1109/tip.2026.3726365.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算光学成像通过有限的、有噪声的测量来重建信号，导致需要正则化的不适定逆问题。图正则化（GR）在建模复杂空间相关性方面显示出前景，但其在经典全变分（TV）正则化中的关系尚不清楚。以鬼成像作为典型的逆成像应用，本文建立了一个统一的图正则化估计理论框架。我们推导出偏差和方差的显式表达式，得到均方误差（MSE）的上界，并为TV正则化开发了一个信息论最小最大下界。该分析识别了GR相对于TV具有优势的区域，突出了基于图的平滑性和基于TV的局部稀疏性的不同归纳偏差。特别是，GR在低频先验、高噪声、强图连通性和严重欠采样条件下特别有效。我们还实现了一个基于空间和梯度相似性的图正则化重建框架。仿真和实验表明，所提出的方法在重建质量上具有竞争力，并且在有噪声和欠采样条件下通常优于TV和基于稀疏性的基线方法。这些结果阐明了GR在计算光学成像中的作用。
Keyword:
Graph-regularized estimation
inverse problem
computational optical imaging
ghost imaging
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
暂无论文信息