Graph-to-ID task

首先圖像是一個二維的結構,CNN提取圖片的特徵,可是是local的,經過kenel的形式,不斷的圖上移動,經過卷積的形式,

不管移動到哪一個位置,內部的結構都是不變的,這就是參數共享.

這個所說的圖像顯然都是歐式空間的,知足歐幾里得空間的線性空間的幾個重要的性質. 具備數據結構的規則性屬性,可是在實際中,

存在許多的圖結構的數據,社交網絡等.

Point 1

泛化到ID task, 因爲non-local 方法的很是好的效果,such as BM3D, NL-Means 等方法,同時,儘管如今的sota方法--如CNN-based discriminative 方法,

such as DnCNN, 仍是GAN-based的對抗學習方法,都是基於CNN-based的方法,繼承了CNN-based的自然屬性,locol propertise, 參數共享帶來的

計算的高效等, 可是 如今的SOTA方法其實都在 千方百計的 增長non-local 的components, 最典型的操做就是 增大感知野的一系列方法,such as 

dilated conv的使用, 並行的對感知野的引入, 都在獲取 pixel-wise 周圍的更可能多的 information, 以實現對這個 pixel-wise 的恢復和估計.

Point 2

圖網絡, 若是應用到ID task 這種歐式空間, pixel-wise 其實就至關因而 一個 node, 咱們須要利用 neighbor nodes 的 hidden feature 去 估計和 恢復 受到干擾的

這個節點的特徵, 而圖網絡 具備的非歐式 特徵, 經過neighbor nodes的信息傳遞, 可以 接收到 更大範圍的 nodes(pixel) 信息, 這無疑是更爲robust的,

同時 表現除了 non-local 屬性, 效果提高是能夠指望的. 

Point 3

將objective function 定義爲

$\mathcal{L}(\theta)=\frac{1}{2}\sum_{i=1}^{N}\|f(y;\theta)-(y-s)\|_{2}^{2},$