본 논문은 잡음이 포함된 데이터로 구성된 주 연산자를 사용하는 대규모 역문제의 정규화를 위한 지도 학습 방법을 제안합니다. 이는 역산란 이론의 샘플링 지표를 통한 초고해상도 이미징에 관련이 있습니다. 본 연구는 실시간 이미징을 가능하게 하기 위해 이러한 종류의 역문제에 대한 시공간적 정규화 과정을 가속화하는 것을 목표로 합니다. 제안된 방법은 신경 연산자를 사용하여 산란 방정식의 우변에 있는 각 패턴을 해당 정규화 매개변수에 매핑합니다. 네트워크는 두 단계로 훈련됩니다. (1) 비최적 임계값을 사용하는 Morozov 불일치 원리로 제공된 저해상도 정규화 맵으로 훈련하고, (2) 검증 손실로 조절되는 Tikhonov 손실 함수의 최소화를 통해 네트워크 예측을 최적화합니다. 2단계는 1단계의 근사 맵을 고품질 이미지 생성을 위해 조정할 수 있게 합니다. 이 방법을 통해 테스트 데이터로부터 직접 학습이 가능하며 최적 정규화 맵에 대한 사전 지식이 필요하지 않습니다. 저해상도 데이터로 훈련된 네트워크는 고해상도 이미징을 위해 고밀도 정규화 맵을 빠르게 생성합니다. 본 논문은 네트워크의 일반화 성능에 대한 훈련 손실 함수의 중요성을 강조합니다. 특히, 불일치 원리의 논리에 의해 정보를 얻은 네트워크가 더 높은 대비의 이미지를 생성함을 보여줍니다. 이 경우, 훈련 과정에는 다목적 최적화가 포함됩니다. 본 논문에서는 추가 최적화 과정 없이 훈련 중 적절한 손실 가중치를 적응적으로 선택하는 새로운 방법을 제안합니다. 제안된 방법은 탄성 판의 손상 진화 이미징을 위해 합성적으로 검증되었습니다. 결과는 불일치 정보 정규화 네트워크가 이미징 과정을 가속화할 뿐만 아니라 복잡한 환경에서 이미지 품질을 현저히 향상시킴을 나타냅니다.
