この論文では、雑音を含むデータで構成される主演算子を使用する大規模逆問題の正規化のための指導学習方法を提案します。これは、逆散乱理論のサンプリング指標による超高解像度イメージングに関連しています。この研究は、リアルタイムイメージングを可能にするために、この種の逆問題の時空間正規化プロセスを加速することを目的としています。提案された方法は神経演算子を使用して、散乱方程式の右辺の各パターンを対応する正規化パラメータにマッピングします。ネットワークは2段階で訓練されます。 （1）非最適しきい値を使用するMorozovの不一致原理で提供された低解像度正規化マップでトレーニングし、（2）検証損失で調整されるTikhonov損失関数の最小化を介してネットワーク予測を最適化します。ステップ2では、ステップ1の近似マップを高品質の画像生成のために調整できます。この方法により、テストデータから直接学習することができ、最適正規化マップに関する事前知識は不要です。低解像度データで訓練されたネットワークは、高解像度イメージングのために高密度正規化マップをすばやく生成します。本論文は,ネットワークの一般化性能に対する訓練損失関数の重要性を強調する。特に、ミスマッチ原理のロジックによって情報を取得したネットワークは、よりコントラストの高い画像を生成することを示している。この場合、トレーニングプロセスには多目的最適化が含まれます。この論文では、追加の最適化プロセスなしにトレーニング中に適切な損失の重みを適応的に選択する新しい方法を提案します。提案された方法は、弾性板の損傷進化イメージングのために合成的に検証されています。結果は、視差情報の正規化ネットワークがイメージングプロセスを加速するだけでなく、複雑な環境で画質を大幅に向上させることを示しています。
