CVPRMar, 2020

何时使用卷积神经网络解决反问题

PDF
TL;DR本文介绍求解计算机视觉中的重构问题，阐述了使用卷积稀疏编码与卷积神经网络的优缺点，并提出了卷积稀疏编码可用于解决某些反问题的有效性，通过 JPEG 残留抑制和非刚性轨迹重建的操作，对使用 CSC 方法进行的应用进行了实证和验证，并指出如何将 CSC 模型的理论用于改进 CNN 模型的应用。
computer visionconvolutional sparse codingconvolutional neural networkjpeg artifact reductionnon-rigid trajectory reconstruction
发现论文，激发创造
  • 卷积神经网络在图像反问题中的综述

    本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

    Oct, 2017

  • 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

  • 通过卷积稀疏编码分析卷积神经网络

    提出了一种新的多层模型，ML-CSC，其信号被假定为从一系列 CSC 层中出现。CNN 的前向传递实际上是服务于 ML-CSC 模型的阈值追踪，将 CNN 与 ML-CSC 模型紧密联系起来，为 CNN 带来了新的视角，同时也提出了一个与去卷积网络相关的前向通道替代方案，具有更好的理论保证。

    Jul, 2016

  • 通过深度卷积神经网络学习反演：信号恢复

    本研究致力于解决压缩感知中遇到的两个挑战问题：真实数据在固定基下不是稀疏的；当前的高性能恢复算法收敛速度慢，这限制了压缩感知的应用。通过使用深度卷积神经网络，我们开发了一个名为 DeepInverse 的新信号恢复框架，从测量向量学习逆变换，解决了这两个挑战问题，并取得了实验结果上的成功表现。

    Jan, 2017

  • 重新思考自然图像的 CSC 模型

    本文研究了基于稀疏表示和卷积的稀疏编码模型在图像处理中的应用，提出了与此模型相关的贝叶斯理论，并使用分阶段卷积的前馈网络构建了一个新的模型，用于降噪等任务。实验证明，该模型的性能可以达到与现有技术相当水平，同时使用的参数明显更少。

    Sep, 2019

  • 卷积神经网络是否解决了 CT 逆问题？

    该研究研究了使用卷积神经网络在稀疏视图的计算机断层成像中进行图像重建的逆问题是否可行，结果发现在具体条件下，不能使用该 CNN 解决稀疏视图 CT 的逆问题，这对于在医学成像中使用 CNN 解决逆问题提出了疑问。

    May, 2020

  • 深度卷积稀疏编码网络用于图像融合

    这篇论文介绍了三种基于深度卷积稀疏编码网络的图像融合任务，并使用字典卷积单元将 CSC 模型和迭代收缩阈值算法泛化，从而从数据中学习所有超参数。广泛的实验和综合比较表明，与量化评估和视觉检查相关的所有性能指标中，所提出的网络优越性显著。

    May, 2020

  • 探索卷积神经网络的可逆性

    论文讨论卷积神经网络近似可逆性及其在稀疏信号恢复方面的数学模型，并给出一种精确的模型基础压缩感知与其恢复算法和随机权重 CNN 的连接。作者通过实验得出多个学习网络与数学分析一致，以简单的理论框架合理地重构实际图片。同时，作者也探讨了我们的模型假设与实际场景分类训练的 CNN 之间的差距。

    May, 2017

  • 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

  • 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