引入多状态记忆机制的迭代软阈值学习算法

迭代软阈值学习算法(Learned Iterative Soft-Thresholding Algorithm, LISTA)将迭代软阈值算法(Iterative Soft-Thresholding Algorithm, ISTA)展开为递归前馈神经网络优化稀疏恢复的求解。针对LISTA单次迭代只依赖于前一迭代点限制算法收敛速率的问题,本文提出了一种引入多状态记忆机制的迭代软阈值学习算法(Learned Iterative Soft-Thresholding Algorithm with Multi-state Memory Mechanism, LISTA-MM)。该算法基于一阶迭代固定步长算法对LISTA进行改进,设置状态连接度数,选择性地组合多个先前迭代点的稀疏信息,确保了迭代过程中信息被正确传递并充分利用,进而加快了算法的收敛速度。实验结果表明,LISTA-MM在保证稀疏恢复精度的同时有效提高了收敛速度。此外,本文将LISTA-MM扩展为卷积形式,并探索其在图像超分辨率中的应用,实验结果表明,基于LISTA-MM的网络在图像质量评价指标和可视化效果上均优于其他网络,重构图像具有与原始图像相近的清晰细节纹理。