精选理由
这篇论文解决了逆问题模型在噪声变化时性能暴跌的痛点，用结构化的 DRO 替代傻均匀扰动，实验还发现它自动学出低秩算子。搞图像重建或鲁棒学习的可以细看。
该论文提出一种结构化分布鲁棒优化（DRO）框架，在逆问题学习重建中对抗训练与测试噪声分布不匹配的问题。与标准 Wasserstein DRO 对全部联合分布均匀扰动不同，该方法将不确定性集限制在符合测量过程的扰动子集上（如条件分布 P(Y|X)），更真实地建模前向算子与噪声模型。理论推导了强对偶性与显式最坏情况风险界，表明该框架等效于在重建算子 Lipschitz 常数上施加 Tikhonov 正则化。在去模糊和 sinogram-to-CT 重建实验上，该方法相比标准 DRO 和 MSE 基线，在鲁棒性、稳定性和可解释性上均有提升，且在线性设置下学习到的算子呈现低秩结构，可视为截断 SVD 的数据驱动变体。
AI 翻译 · 中文
该论文提出一种结构化分布鲁棒优化（DRO）框架，在逆问题学习重建中对抗训练与测试噪声分布不匹配的问题。与标准 Wasserstein DRO 对全部联合分布均匀扰动不同，该方法将不确定性集限制在符合测量过程的扰动子集上（如条件分布 P(Y|X)），更真实地建模前向算子与噪声模型。理论推导了强对偶性与显式最坏情况风险界，表明该框架等效于在重建算子 Lipschitz 常数上施加 Tikhonov 正则化。在去模糊和 sinogram-to-CT 重建实验上，该方法相比标准 DRO 和 MSE 基线，在鲁棒性、稳定性和可解释性上均有提升，且在线性设置下学习到的算子呈现低秩结构，可视为截断 SVD 的数据驱动变体。
Learned reconstruction operators for inverse problems are typically trained under a fixed noise model, and generalize poorly when the distribution during testing differs from the one assumed during training. Distribution…