逆问题的深度分解学习
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
本文探讨了一个针对有限孔径下逆障碍散射问题的深度学习方法,该方法通过提供与散射模型相关的物理算子给神经网络架构来实现深度学习在逆问题上无需标记数据并且具有学习意识的可能性。此外,还实施了基于深度学习的数据补全方案,以防止有限孔径数据导致逆问题解的失真。此外,DDM 不仅解决了逆问题本身的不适定性,还是一种具有解释性特性的物理意识机器学习技术。DDM 的收敛性结果已从理论上得到证明。数值实验展示了即使入射和观测孔径极其有限,所提出的 DDM 仍然有效。
Mar, 2024
该论文提出使用深度卷积神经网络解决困难的内在图像分解问题,通过对真实图像和合成图像模型的混合训练,以及引入 Bilateral Solver 层,进一步改进结果,实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。
Jul, 2018
采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势,提出了一个由三个子神经网络组成的混合框架,在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果,并将其作为物理网络的初始值,保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络,进一步增强图像质量。验证了该混合框架的可行性和有效性,通过理论分析和实际实验在分辨目标和生物样本上。
Jan, 2024
提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法,该方法具有较高的可解释性、易于训练,适合于在医学中的应用,具有 MRI 成像参数估计等方面的应用潜力。
Jul, 2021
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
该论文提出了一种揉合了深度学习与物理反射模型与渐变信息的新型本质图像分解方法,并通过大量实验证明其优于现有方法,最终形成快速、综合高效的本质图像分解方式。
Dec, 2017