用于近端学习和自动压缩图像恢复的递归生成对抗网络

Nov, 2017

用于近端学习和自动压缩图像恢复的递归生成对抗网络

Recurrent Generative Adversarial Networks for Proximal Learning and Automated Compressive Image Recovery

Morteza Mardani, Hatef Monajemi, Vardan Papyan, Shreyas Vasanawala, David Donoho...

TL;DR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。

Abstract

Recovering images from undersampled linear measurements typically leads to an ill-posed linear inverse problem, that asks for proper statistical priors. Building effective priors is however challenged by the low train and test overhead dictated by real-time tasks; and the need for retr

linear inverse problem proximal gradient iterations generative residual networks mri reconstruction image superresolution

发现论文，激发创造

神经近端梯度下降在压缩成像中的应用

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

深度生成对抗网络在压缩感知自动磁共振成像中的应用

本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

May, 2017

神经接近梯度迭代下的压缩 MR 指纹重建

针对磁共振指纹 (MRF) 问题的端到端深度学习方法中预测与物理正向模型的一致性大多未受控制，本文提出了一种名为 ProxNet 的学习的近端梯度下降框架，它直接将前向采集和布洛赫动力学模型纳入到循环学习机制中，使用紧凑的神经近端模型用于去混淆和定量推断，可以灵活地训练稀缺的 MRF 训练数据集。数值实验表明，ProxNet 可以达到卓越的定量推断精度，更小的存储需求，与最新的深度学习 MRF 基线相当的运行时间，同时比字典匹配方案快得多。

Jun, 2020

循环损失条件下使用生成对抗网络的压缩感知 MRI 重建

本文介绍了一种基于深度学习的生成式对抗模型，RefineGAN，用于快速准确的 CS-MRI 重建，并通过几个开源 MRI 数据库的评估证明其在运行时间和图像质量方面均优于现有的 CS-MRI 方法。

Sep, 2017

使用卷积神经网络对压缩感知图像进行非迭代重建

提出了一种用于低测量率情况下的数据驱动非迭代算法 - ReconNet，它是一个端到端学习的深度神经网络，能够实时地将场景的测量映射到所需的图像块，并且能够在测量噪声存在的情况下产生比迭代算法更高 PSNR 值的重建结果。

Aug, 2017

基于图像自适应 GAN 的重建

本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

Jun, 2019

使用生成对抗网络进行结构保留的压缩感知磁共振成像重建

该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像（CS-MRI）重建方法，在保留高频内容和细节信息的同时，利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明，该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别，非常适合实时临床应用。

Oct, 2019

循环变分网络：用于加速 MRI 重构的深度学习逆问题求解器

本文提出了一种基于卷积循环神经网络的深度学习加速 MRI 重建方法，称为 RecurrentVarNet，通过在观测域（$k$-space）而非图像域中进行优化，每个 RecurrentVarNet 块都由数据一致性项和递归单元组成，可以有效地重建 MRI 图像，并在公共多线圈数据集上优于传统方法和之前的深度学习方法。

Nov, 2021

一种轻量级的递归学习网络，用于可持续的压缩感知

该论文提出一种轻量级深度神经网络，基于逐渐回复图像的分层结构和使用循环学习进行深度重构，以达到高质量重构图像的同时降低计算、能源和存储成本，模型的性能优于现有压缩感知算法。

Apr, 2023

Nest-DGIL: Nesterov 优化的深度几何增量学习用于 CS 图像重建

在这项研究中，我们提出了一种基于二阶 Nesterov 近端梯度优化的深度几何增量学习框架，该框架能够高效地解决图像逆问题并降低图像重建中的伪影。我们的重建方案包括线性重建、级联几何增量修复、Nesterov 加速和后处理四个模块，并通过与现有技术的比较表明其优越性。

Aug, 2023