学习式的原始 - 对偶重建
本文提出了一种部分学习方法,用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展,通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习,其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明,与 FBP 和 TV 重建相比,所提出的方法在保证速度的同时,能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。
Apr, 2017
本文探究了深度学习方法在低数据条件下应用于计算机断层扫描的可能性,并提出了一种深度图像先验方法与经典规则相结合的方法,提高了低数据条件下的重建质量和数据效率。
Mar, 2020
该研究提出了嵌入模型修正的学习原始 - 对偶框架的方法,为光 - acoustic 成像的快速迭代重建提供了可行的模型,实现了实时的可扩展,具有较快推理时间和优异的重建质量。
Apr, 2023
本文提出了一种新的方法来提高深度图像的空间分辨率,使用深度全卷积神经网络和非局部变分方法在深度的原始 - 对偶网络中结合起来,通过训练我们的联合方法,可以优化卷积网络和变分方法及其优化过程等所有参数。评估表明,该方法在多个基准测试中性能优于现有技术。
Jul, 2016
通过使用基于残差网络的近端映射,以及递归应用近端梯度算法的基本架构,该研究成功地解决了许多有关从受限传感器数据中恢复高分辨率图像时遇到的挑战,包括训练数据的缺乏,需要满足物理可行性的合理重建,以及在实时应用中需要快速重建。经过广泛的实验,该架构在超分辨率和 MRI 图像的重建方面,表现了优于传统方法以及当前最先进的基于小波的压缩感知方法的性能。
Jun, 2018
本文旨在探讨科学机器学习中的一个基本问题,即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描(CT)问题,并且通过迭代的端到端网络方案以及数据驱动的校准步骤,展示了该方案能够使 CT 重建达到数值精度,与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。
Jun, 2022
在这篇文章中,我们提出了一个统一的框架来构建用于高斯降噪任务的近端神经网络(PNNs),该框架基于双重 - 投影算法和原 - 对偶 Chambolle-Pock 算法。我们还展示了这些算法的加速惯性版本如何在关联的神经网络层中实现跳跃连接。我们为 PNN 框架提供了不同的学习策略,并研究了它们的鲁棒性(利普希茨性质)和降噪效率。最后,我们评估了将我们的 PNNs 插入图像去模糊问题的前向 - 后向算法时的鲁棒性。
Aug, 2023
本文提出了一个级联的神经网络架构来解决基于低采样率的线性逆问题。其中将深度生成式残差网络和像素级和感知损失函数相结合,成功地提高了 MRI 重建的信噪比而将推理速度增加了一百倍,并且也证明了通过设计的 ResNet 可以更好地建模去噪近端来提高图像的超分辨率。
Nov, 2017
利用已知的运算符学习方法,以及采用一种新颖的自适应滤波过程的滤波反投影算法,这篇论文提出了一种重建特定轨道的圆锥束计算机断层成像(CBCT)的新方法。通过实验,该方法成功地从圆形轨道投影数据中学习出最佳参数并实现图像重建,提高了重建速度和减少了内存使用。
Mar, 2024
将可逆的学习型基础 - 对偶 (iLPD) 神经网络架构应用于螺旋三维计算机断层扫描 (CT) 并将几何学和数据分成适合存储的部分,将图像分割成相应的子体积。我们通过实验从现实螺旋几何学模拟的断层图数据中实现了这一点。
May, 2022