Obtenção de regularizadores a partir de dados para problemas inversos mal-postos
Problemas inversos são aqueles em que se busca a obtenção de informações de um fenômeno a partir apenas de medidas indiretas disponíveis. Na área de processamento de imagens, eles incluem métodos tomográficos e deblurring, por exemplo. Quando eles são mal-postos, a discretização para solução computacional desses problemas resultam em sistemas de equações mal-condicionados, instáveis na presença de ruídos. Uma forma de resolvê-los é através do método de regularização, tratando-os como problemas de otimização e restringindo o espaço de soluções com informações a priori das respectivas soluções. Nos últimos anos, soluções de ponta-a-ponta de aprendizagem profunda vêm sendo propostas para solução de problemas inversos. Ao invés desta abordagem, o presente trabalho estuda a união dos paradigmas dos métodos de regularização e de aprendizagem profunda na solução de problemas mal-postos, investigando o desenvolvimento de novos termos de regularização a partir de redes neurais.