Jun, 2018

从未有先验与无真实图像的未采样测量中训练深度学习图像去噪器

PDF
TL;DR本文提出基于去噪 - 近似传递消息和 Stein 无偏风险估计器理论的新方法，用于训练深度学习图像去噪器。这些方法能够从少量观测数据中恢复高质量图像，不需要原始图像，也不需要手动设置的图像先验条件，并在各种具有挑战性的压缩感知恢复问题上实现了最先进的性能。
发现论文，激发创造
  • 未经训练的神经网络压缩感知：梯度下降找到最平滑的逼近

    通过在少数几个度量值中应用未训练卷积神经网络的自正则化属性，在没有任何正则化的情况下，可以从少数的随机测量中大致重建具有足够结构的信号和图像。

    May, 2020

  • 使用深度图像先验和学习正则化的压缩感知技术

    通过未经训练的深度生成模型提出一种新方法，解决压缩感知恢复问题，具有比以前的方法更好的性能，并且不需要大规模数据集的预训练。同时，结合了关于网络权重的先验知识的新型学习正则技术，减少了重建误差。最后，通过 DIP 优化方法，证明了适度超参数的单层神经网络可以完美拟合任何信号，这一理论结果为提前停止提供了依据。

    Jun, 2018

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

    Nov, 2023

  • 基于随机生成先验知识的可证收敛压缩感知方案

    本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法， 证明了其在噪声的压缩感知方面的收敛算法，其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。

    Dec, 2018

  • 压缩图像感知的深度网络

    本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题，通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络，我们的实验结果显示，我们的方法相较于现有技术提供了显著的质量提高。

    Jul, 2017

  • 深度压缩感知

    本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。

    May, 2019

  • 无需图像真值训练图像估计器

    本文提出了一种无监督框架用于训练图像估计网络，针对仅含测量值而没有地面真实图像的训练集，可以应用在压缩感知和盲复原等图像估计任务中。该无监督框架可以用于常规和盲估计任务，而且在考虑到非盲和盲训练的情况下，在压缩感知和盲复原中训练出的模型近似与全监督则没有太大的差距。

    Jun, 2019

  • 无预训练网络先验的反演成像的算法保证

    本文研究了使用未经过训练的深度神经网络先验条件下的线性反演问题，包括压缩感知和相位恢复，并提出了基于梯度下降的算法以及证明了其收敛性。同时，本文还展示了相比于手工制作的先验条件，使用深度神经网络先验条件可以在相同的图像质量下实现更好的压缩率。

    Jun, 2019

  • 快速压缩感知 MRI 的深度去混叠

    本文提出了一种基于条件生成对抗网络的深度学习框架，能够从高度欠采样的数据重建 MRI 图像，并在重建误差和感知图像质量方面优于最先进的压缩感知 MRI 方法，同时可实现每张图像 0.22ms 至 0.37ms 的重建速度，具有实时应用潜力。

    May, 2017

  • 使用自适应学习的稀疏基 L0 最小化重构图像压缩感知恢复

    本文提出了一种使用自适应学习的稀疏化基础通过 L0 最小化方法进行图像压缩感知恢复的新框架，通过稀疏表示重叠的图像块，极大地减少了阻塞伪影和限制了 CS 解决方案空间。实验结果表明，我们的算法在 CS 恢复上取得了显着的性能提升。

    Apr, 2014