반복 가중치 축소법

기계 학습 프로페셔널 시리즈의 스파스 책에 올라 있던 반복 가중치 축소법(Iteratively Reweighted Shrinkage, IRS)이 간단할 것 같았기 때문에 순차 근사적 이미지 재구성에 통합해 보았습니다.

반복 가중 축소법의 상세는
http://www.amazon.co.jp/스퍼스성에 기초한 기계 학습-기계 학습 프로페셔널 시리즈-토미오카-료타/dp/4061529102

순차 근사적 이미지 재구성에 정규화를 통합하는 방법은 여러 가지가 있습니다만, 가장 간단한 Green의 One Step Late(OSL) 알고리즘을 이용했습니다.

OSL에 대한 자세한 내용은
h tp // w w. 마 ths. bs. 아 c. u k / ~ ma pjg / pape rs / s pct-T 90. pdf

실험에 사용한 소스 코드는
htps : // 기주 b. 코 m / 키보 35 / 레콘 st 루 c 치온 / b ぉ b / 마s r / 마 P / 오. py

실험 결과

슬라이스 당 계수는 2M. 이미지 사이즈는 160×160. 순차 근사는 10 주 반복, 10 서브세트. FBP 필터는 ramp.

지표는 팬텀 이미지와의 제곱 평균 제곱 오차 (RMSE). 파라미터 적당하지만 ...



filter는 평활화에 사용한 가우시안 필터의 반치폭. β는 정규화항의 강도를 조정하는 정수.



OSL-IRS 쪽은 L1 정규화한 듯한 페타트한 이미지가 되고 있네요. 팬텀 외연부의 흰 곳의 화소치는 떨어지지 않고 팬텀 내부는 뻣뻣해지고 있습니다.