深度学习图像重建的鲁棒性改进

Feb, 2020

Improving Robustness of Deep-Learning-Based Image Reconstruction

Ankit Raj, Yoram Bresler, Bo Li

TL;DR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。

Abstract

Deep-learning-based methods for different applications have been shown vulnerable to adversarial examples. These examples make deployment of such models in safety-critical tasks questionable. Use of deep neural networks as inverse problem solvers has generated much excitement for

deep learning adversarial examples medical imaging robustness compressed sensing

发现论文，激发创造

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

基于深度学习的压缩感知鲁棒性评估

对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

Feb, 2021

成像反问题的模型适应

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

MoDL: 逆问题的基于模型的深度学习架构

该研究提出了一种基于卷积神经网络的模型重建框架，实现了解决逆问题的途径。该框架克服了深度学习方法中过多参数所占用的训练数据和时间上的需求问题，并在重构图像方面取得了显著成果。

Dec, 2017

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

图像超分辨率作为对抗攻击的防御

本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。

Jan, 2019

图像分类器的鲁棒性和不变性属性

本文研究了深度神经网络在噪声环境中的鲁棒性和不变性，提出了快速计算稀疏对抗扰动和数据增强方法，与数据之间的特征联系起来，以实现更可靠的机器学习系统。

Aug, 2022

成像中逆问题的深度学习技术

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

使用对抗网络进行鲁棒性深度学习的直接方法

该论文提出了一种基于生成对抗网络 (GAN) 框架下的新防御机制来对抗黑盒攻击，在经验上表现良好并能与利用梯度下降的集成对抗训练和对抗训练等最先进的方法媲美。

May, 2019

深度卷积神经网络用于图像反问题

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