卷积神经网络是否解决了 CT 逆问题?
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
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。
Mar, 2020
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
该研究旨在通过稀疏采样计算机断层扫描图像的深度学习技术,以使在理想条件下最小化均方误差,从而解决成像中的逆问题;研究采用 2D 乳腺 CT 模拟,参加算法超过 60 组,并且测试结果使得重建精度比之前的基于 CNN 的研究有了两个数量级的提升。
Sep, 2021
稀疏视图 CT 重建研究中,3D 高斯模型的应用表现出更好的收敛性和新视图渲染,其通过启发来自滤波反投影重建图像的先验信息去初始化高斯模型,并通过在投影空间中比较差异来更新其参数,自适应密度控制进一步提高了性能,相比隐式神经表示方法 (INR) 3D 高斯模型更能从先验信息中受益,将性能更高效地分配在空白区域,加速了收敛速度,同时也能高效地学习高频细节。在自监督学习的方式下进行训练,3D 高斯模型避免了大规模配对数据的需求。对 AAPM-Mayo 数据集的实验证明,相比基于 INR 的方法,3D 高斯模型能够提供更优异的性能。
Dec, 2023
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