[论文解读] TFPnP: Tuning-free Plug-and-Play Proximal Algorithm with Applications to Inverse Imaging Problems

Kaixuan Wei, Angelica I. Avilés-Rivero+4 more|arXiv (Cornell University)|Nov 18, 2020

Sparse and Compressive Sensing Techniques参考文献 207被引用 4

一句话总结

本文提出 TFPnP，一种无需调参的即插即用邻近算法，采用混合强化学习策略网络，自动优化反向成像问题中的去噪强度、终止时间及其他参数。该方法通过学习使迭代噪声高斯化，在压缩感知磁共振成像和稀疏视角计算机断层扫描等线性和非线性成像任务中，实现了最先进性能，优于人工设计和基于最优参数的设置。

ABSTRACT

Plug-and-Play (PnP) is a non-convex optimization framework that combines proximal algorithms, for example, the alternating direction method of multipliers (ADMM), with advanced denoising priors. Over the past few years, great empirical success has been obtained by PnP algorithms, especially for the ones that integrate deep learning-based denoisers. However, a key challenge of PnP approaches is the need for manual parameter tweaking as it is essential to obtain high-quality results across the high discrepancy in imaging conditions and varying scene content. In this work, we present a class of tuning-free PnP proximal algorithms that can determine parameters such as denoising strength, termination time, and other optimization-specific parameters automatically. A core part of our approach is a policy network for automated parameter search which can be effectively learned via a mixture of model-free and model-based deep reinforcement learning strategies. We demonstrate, through rigorous numerical and visual experiments, that the learned policy can customize parameters to different settings, and is often more efficient and effective than existing handcrafted criteria. Moreover, we discuss several practical considerations of PnP denoisers, which together with our learned policy yield state-of-the-art results. This advanced performance is prevalent on both linear and nonlinear exemplar inverse imaging problems, and in particular shows promising results on compressed sensing MRI, sparse-view CT, single-photon imaging, and phase retrieval.

研究动机与目标

• 解决即插即用（PnP）邻近算法在反向成像问题中手动调参的关键挑战。
• 开发一种无需调参的框架，自动确定去噪强度、终止时间及优化特定参数。
• 提升 PnP 方法在不同成像条件和场景内容下的鲁棒性和效率。
• 研究 PnP 算法中迭代噪声的统计特性，并加以利用以提升性能。
• 在不依赖人工设计或最优参数调优的前提下，实现最先进的重建质量。

提出的方法

• 采用模型无关与模型相关深度强化学习策略相结合的方式，训练混合强化学习策略网络。
• 策略网络基于图像和噪声特征，学习选择最优参数（如去噪强度和停止时间）。
• 利用迭代噪声的正态性特性，即通过迭代过程使噪声趋于高斯分布，以提升去噪效果。
• 通过最大化 PSNR 并最小化残差误差的奖励函数进行训练，反馈来自 PnP 算法的收敛行为。
• 该框架可与标准邻近算法（如 ADMM 和 PGM）集成，支持与任意去噪器即插即用。
• 通过高斯概率图和 R² 值对迭代噪声正态性进行实证分析，其与重建质量密切相关。

实验结果

研究问题

• RQ1 所学习的策略能否在无需手动调参的情况下，自动确定 PnP 邻近算法中的最优去噪强度和终止时间？
• RQ2 PnP 迭代过程中，迭代噪声的正态性如何演变？是否可被利用以提升重建质量？
• RQ3 基于强化学习的策略能否在多种反向成像场景中超越人工设计和最优参数调优的设置？
• RQ4 对迭代噪声进行高斯化在不同成像模态下，能在多大程度上提升 PnP 方法的性能？
• RQ5 所提出的策略网络在各类线性和非线性反向成像问题中，其可扩展性和泛化能力如何？

主要发现

• 所学习的策略在 PnP-ADMM 上实现了 26.41 的 PSNR，优于部分设置下的最优策略，且与人工设计准则相当或更优。
• PnP-ADMM 在迭代噪声正态性方面提升最大，R² 达 0.972，与更优的重建质量密切相关。
• 与固定参数和最优参数策略相比，该方法在压缩感知磁共振成像和单光子成像等挑战性任务中，显著提升了 PSNR 和迭代噪声正态性。
• 策略网络能有效泛化至多样化的成像条件和场景内容，显著减少对人工参数调优的依赖。
• 观察到高斯概率图的 R²（衡量噪声正态性）与 PSNR 之间存在强烈正相关，验证了高斯化迭代噪声的重要性。
• 该框架在代表性反向成像问题（包括稀疏视角 CT 和相位恢复）中实现了最先进性能，且用户干预极少。