MoDL: 逆问题的基于模型的深度学习架构
使用深度卷积神经网络,结合直接反演、多分辨率分解和残差学习等技术来解决病态反问题,实验证明,在稀疏采样下,该方法能在不到一秒的时间内重建 512 x 512 的图像,取得了比迭代正则化平滑重建更好的效果。
Nov, 2016
探究如何在不知道正向模型改变详情的情况下,使用简单的模型适应方法,使得深度神经网络在计算成像的各种逆问题中,包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面,取得实证成功。
Nov, 2020
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
本文提出了一种通用框架来训练单个深度神经网络,以解决任意线性反问题,通过提供一个接近算子来实现这一目的,并在压缩感知和像素插值等任务中显示出优越的性能。
Mar, 2017
该论文提出了一种新的框架,利用神经网络作为正则化函数,将数据驱动方法应用于逆问题解决,该算法可以在没有监督训练数据的情况下应用于逆问题,并在 BSDS 数据集上显示了去噪和在 LIDC 数据集上显示了计算机断层扫描重建的潜力。
May, 2018
本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性,包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性,尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。
May, 2023
探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用,提出了一种可以用于将不同问题和重建方法分类的分类法,并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。
May, 2020
本文提出了一种新的深度学习方法来解决逆问题,采用端到端映射的形式,通过两个网络来处理物理正向模型的反演和输出去噪,达到对图像进行处理的目的。
Dec, 2017