Jun, 2018

神经近端梯度下降在压缩成像中的应用

PDF
TL;DR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。
high-resolution imagesinverse problemproximal gradient algorithmrecurrent resnetcompressed sensing
发现论文，激发创造
  • 用于近端学习和自动压缩图像恢复的递归生成对抗网络

    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

  • 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

  • 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

  • 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

  • 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

  • 使用迭代深度神经网络解决不适定的反问题

    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

  • 基于 CNN 的投影梯度下降算法用于图像重建

    本文提出了一种新的图像重构方法，使用卷积神经网络代替投影梯度下降器，并设计出一种反馈机制以确保重构图像与测量结果的一致性。该方法提供了正式的框架以确保传统的 PGD 算法收敛于非凸约束最小二乘问题的局部极小值，并使用一个基于 CNN 的简单框架来训练网络，解决噪声测量下的稀疏视图计算机断层扫描重建问题，相较于现有的基于总变化和 CNN 方法，实现了较大的改进。

    Sep, 2017

  • 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

    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。

    Jun, 2018

  • 通过深度学习实现对于层析成像逆问题的几乎精确恢复

    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

  • PNN：从近端算法到鲁棒展开图像去噪网络和即插即用方法

    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