Jun, 2018

逆问题的深度空间学习：收敛分析和速率

PDF
TL;DR本文介绍了一种称为 Null Space Networks 的新型网络结构，提出了概念 M 正则化，并通过将它与标准正则化方法结合使用，讨论了两阶段深度学习方法在逆问题求解中的实践和理论难点，同时指出 Null Space Networks 自然地保留了数据一致性特征。
deep learninginverse problemsregularizationneural networksdata consistency
发现论文，激发创造
  • 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

  • 逆问题的深度分解学习

    本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

    Nov, 2019

  • 基于不确定性感知的零空间网络用于数据一致图像重建

    本文提出了一种结合深度网络和不确定性量化的反问题求解方法，旨在通过估算与输入相关的比例映射来评估重建质量，并成功地在医学成像领域等多个应用中实现了图像重建与加速 MRI 重建等挑战性任务。

    Apr, 2023

  • 深度学习与反问题

    这篇论文主要研究了机器学习和深度学习在逆问题中的应用，特别关注了神经网络和卷积神经网络的使用。

    Sep, 2023

  • 一种网络解决所有问题 —— 使用深度投影模型解决线性反问题

    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

  • 深度学习图像重建的鲁棒性改进

    本文提出了一种改进深度神经网络逆问题求解器的训练策略，通过使用一种辅助网络来生成对抗样本，并使用 min-max 公式构建稳健的图像重建网络，从而提高了对反重建技术的鲁棒性。通过针对两个不同数据集的压缩感知重建的实验，得出了对训练网络增加扰动的影响在病态和良好的测量矩阵中呈现定性的差异的结论。

    Feb, 2020

  • 使用深度神经网络解决反问题 -- 鲁棒性是否包含？

    本文针对深度学习方法在图像重建领域中的应用进行了可靠性研究，通过对受压缩感知、傅里叶和 Radon 重建等问题进行深入分析并量化和定性地比较了深度学习和总变分模型，其结果表明，深度学习模型不仅对统计噪声有抗干扰能力，而且对对抗干扰也能够很好地处理。

    Nov, 2020

  • InverseNet: 使用拆分网络解决逆问题

    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

  • 迭代重新加权最小二乘网络：求解反向成像问题的收敛保证

    该研究提出了一种新颖的优化策略，用于分析图像正则化下的图像重建任务，推动在一些学习转换域中稀疏和 / 或低秩解，并通过学习网络实现了较高性能。

    Aug, 2023

  • 逆问题中的对抗正则化器

    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