领域变换流形学习进行图像重建
采用深度学习技术,探索正常大脑的隐式流形,并通过解决图像合成和去噪问题,提出了一种新颖的无监督 T1 加权脑 MRI 合成方法,进一步证明了人工网络合成逼真图像数据的能力,从而可以更好地用于改进成像处理技术和提供大脑结构变化的定量框架。
Jan, 2018
本研究通过验证在特征空间中使用主要流形分布相对于高斯分布的理论和实际优势,提出了一种新颖的轨迹感知主要流形框架,用于恢复流形骨干并沿特定轨迹生成样本。此外,通过引入一个内在维度正则化项,该框架能够使流形更紧凑,并实现少样本图像生成。实验结果表明,该框架能够提取更紧凑的流形表示,提高分类准确性,并在少样本之间生成平滑的变换。
Jul, 2023
本文提出了一种基于对抗训练的框架来解决单视角 3D 形状重建中存在的挑战,该框架通过降低自然和合成图像之间的差异、迫使重建在逼真的物体形状流形上以及实施其他约束来改进性能。实验结果表明,该方法优于基线模型,且采用简化模型即可达到与最先进方法相当的结果。
Dec, 2018
本文提出了一种半监督流形对齐方法,可以处理不同模式 (或领域) 的遥感图像,涉及多时间序列、多源、多传感器和多角度图像。该方法直接在图像的流形空间上进行对齐,并能够处理分辨率不同的图像。 在多角度、多时间序列和多源图像分类问题上,该方法表现出很好的性能和准确性。
Apr, 2021
本文通过在目标空间的离散化锚点类别的粗分类的全局特征对齐和局部细化来弥合合成数据和实际数据之间视觉回归(例如六维姿态估计)中的领域差距,使其对领域不变表示学习施加了分段目标流形正则化。此外,本方法还将统一的隐式神经函数学习应用于估计目标相对方向和距离的回归任务中,以改善目标分类预测,实验表明,在三个公开基准测试中,本文方法在相对于最先进的 UDA 6D 姿势估计方法表现出了卓越的性能。
May, 2023
本文介绍了一种基于核的高效多线性非参数逼近框架,应用于动态磁共振成像(dMRI)的数据回归和插值。该多线性模型具有降维、高效计算和提取数据模式和几何形状等特点,在严重欠采样的 dMRI 数据测试中较之以往的方法,包括流行的数据建模方法及最近的张量和深度图像先验方案,均表现出了显著的效率和准确性的提升。
Apr, 2023
本文提出了一种结合深度学习和领域自适应的新方法,使用大量计算机断层扫描或合成径向磁共振数据预先训练网络,通过少量径向磁共振数据进行微调,成功地从欠采样的 k 空间数据中还原高分辨率的磁共振图像。使用该方法能够优于现有的压缩感知算法,并且计算时间比总变差和 PR-FOCUSS 方法快几个数量级。同时,本研究还发现,使用来自相似器官数据的 CT 或 MR 数据进行预训练比使用来自不同器官的相同模态的数据进行预训练更重要。
Mar, 2017
本文提出了一种基于自动编码器与流形学习结合的数据探索方法,利用几何正则化项鼓励学习得到的潜在表示沿着数据的内在几何结构发展,并与常规方法相比较,证明该方法在保留内在结构、扩展能力和数据重构方面具有优势
Jul, 2020
ManiFest 是一个针对 Few-shot 图像翻译的框架,利用少量图像学习目标域的上下文感知表示,并学习源域和代理锚定域之间的样式流形以强制实现特征一致性,该学习的流形通过基于图像块的对抗和特征统计对齐损失插值并向 Few-shot 目标领域畸变。该方法在多项任务中证明了其有效性,优于现有技术,并提供了代码。
Nov, 2021