matlab灰色处理代码基于深度学习的投影梯度下降用于图像重建 该项目包括一个框架，以： 在Pytorch中训练神经网络（Unet）作为图像到图像投影仪，将其导出为.pth和.onnx格式 在[1]中应用松弛投影梯度下降（RPGD）进行图像重建。 对于这一部分，在Python和Matlab中都提供了代码。 在Matlab中，由于有许多库，测量操作员可能更容易获得。 %%% 入门 先决条件 Python 3.7 Pytorch 1.1.0 Scipy 1.2.1 Matplotlib 3.0.3 对于Matlab代码： Matlab R2019a深度学习工具箱 正在安装 下载文件夹代码和数据 运行测试 此处提供的干净数据（位于train_target和test_target文件夹中）包含200个训练图像，20个测试图像，每个图像都有1个通道，灰度像素为320x320。 每个图像都是从Matlab幻象函数生成的，参数是从修改后的Shepp-Logan头部幻像获得的参数E，然后通过使E = E + 0.01 * randn（10,6）来添加一些变化。 测量算子H是5x5卷积，权重= 1/25

对抗攻击算法总结，包括MIM、FGSM、PGD、C&W、L-BFGS、JSMA 、MalGAN、DeepFool等攻击算法

PGD​​_已修改

高效的暖启动预计梯度下降（EWR-PGD） 我们提出了一种新的名为EWR-PGD的白盒对抗攻击方法，该方法超越了最新的攻击性能。 它比最新的方法更有效。 代码即将推出。 EWR-PGD和ODI-PGD的比较 当将模型降低到相同的精度时，EWR-PGD所需的重新启动次数明显少于ODI-PGD的重新启动次数。 EWR-PGD的速度大约是ODI-PGD的5倍。 图1.在10个最新的防御模型上，当EWR-PGD和ODI-PGD方法将模型降低到相同精度时，所需重启次数的比较（越低越好）。 这些模型可在线获得： 3个白盒排行榜上的结果 EWR-PGD在TRADES白盒MNIST和CIFAR-10排行榜上排名第一，将MNIST模型的准确性降低到92.52％，将CIFAR-10模型的准确性降低到52.95％。 EWR-PGD在MardyLab的CIFAR-10白名单排行榜中也排名第一，将其CI

订单分批matlab代码神经PGD 该代码实现了中提出的神经近端梯度下降（PGD）算法。 想法是展开近端梯度下降算法，并使用神经网络对近端进行建模。 采用残差网络（ResNet）作为近端，实现递归神经网络（RNN）学习近端。 该代码可以灵活地结合各种培训成本，包括：1）逐像素l1 / l2、2）SSIM和3）对抗性GAN，LSGAN和WGAN。 命令行 python3 npgd_main.py -火车--dataset_train /路径/到/火车/数据集--dataset_test /路径/到/测试/数据集--sampling_pattern /路径/到/采样/轨迹/.matfile --sample_size_x 320 --sample_size_y 256 --batch_size 2 --summary_period 20000 --subsample_test 1000 --subsample_train 1000 --train_time 3000 --train_dir /路径/到/保存/结果--checkpoint_dir /路径/到/保存/检查点--tensorbo

CNC-PNP-PGD的以下文件的实现：“基于凸非凸稀疏正则化的磁共振图像重建算法” 脚本CNC_Soft_PGD.py（定义是关于在PNP-PGD框架下使用软阈值降噪）BM3D_PGD.py（定义是关于在PNP-PGD框架下使用BM3D去噪）PNP_PGD.py（定义关于在PNP-PGD框架下使用DnCNN，RealSN-DnCNN，SimpleCNN，RealSN-SimpleCNN去噪）CNC_Soft_PGD.py（定义是在CNC-PNP-PGD框架下使用软阈值去噪）CNC_BM3D_PGD.py（The定义是关于在CNC-PNP-PGD框架下使用BM3D去噪）CNC_PNP_PGD.py（定义是关于在CNC-PNP-PGD框架下使用DnCNN，RealSN-DnCNN，SimpleCNN，RealSN-SimpleCNN去噪） 如何运行脚本以默认设置main.py运行在文件“