Jun, 2020

利用神经常微分学习优化进行 MRI 图像重建

PDF
TL;DR本文提出将 MRI 图像重建问题作为一种优化问题，使用神经 ODE 模型其优化轨迹，并探究了基于三种 ODE 求解的模型，相比 UNet 和级联 CNN 等其他方法，模型表现更好，参数效率更高，从而引入一种新的通过神经 ODE 建模连续优化动力学的 MRI 重建方式。
mri image reconstructionoptimization problemneural odeslearned solversparameter efficiency
发现论文，激发创造
  • 连续学习的原始对偶算法

    神经常微分方程（Neural ODEs）在深度学习文献中取得了巨大成功，最近提出了连续版本的 U-net 架构，在图像应用中显示出比离散版本更高的性能，并围绕其性能和鲁棒性提供了理论保证。本文探讨了使用神经 ODE 解决学习逆问题的可能性，尤其是在已知的学习 Primal Dual 算法中，并将其应用于 CT 重建。

    May, 2024

  • 利用物理知识的神经网络学习最优 K 空间采集与重建

    该研究提出了一种优化框架，通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

    Apr, 2022

  • 基于神经常微分方程的序贯图像配准用于动态特征描述

    通过利用神经常微分方程（ODE）进行图像配准，本研究论文讨论了如何利用该框架来帮助表征顺序生物过程，从而更好地理解医学图像分析中的生物动态，该方法可以从数据中直接学习动态，并使用序列数据来规范转换轨迹。

    Apr, 2024

  • 基于神经常微分方程的循环神经网络模型

    该研究论文介绍了一种使用 ODE 的时间序列数据分析方法，提出基于 ODE 的 RNN 模型，可在较短的训练时间内学习具有不规则采样率的连续时间序列，并且计算效率更高、精度更高、设计更简单。

    May, 2020

  • 用神经微分方程学习神经网络连续学习规则的编程

    本研究将学习规则和神经 ODE 相结合，构建了连续时间序列处理网络，学习如何在其他网络的快速变化的突触连接中操作短期记忆，这产生了快速权重程序员和线性变压器的连续时间对应物。该模型在各种时间序列分类任务中优于现有的神经控制微分方程模型，同时也解决了它们的根本可扩展性限制。

    Jun, 2022

  • 记忆神经微分方程及正交多项式投影

    本研究提出了 PolyODE，一种基于正交多项式投影的神经常微分方程模型，用于学习动态系统，以实现长期记忆和整体表示，优于先前的模型在数据重建和下游预测任务中的性能。

    Mar, 2023

  • 神经常微分方程

    提出一种新型深度神经网络模型 —— 连续深度模型，其采用了一个神经网络来参数化隐藏状态的导数，并利用黑箱微分方程求解器计算网络输出，使其具有内存成本不变、能够为每个输入自适应地选择评估策略并能显式进行精度 / 速度权衡等特点。研究者进一步证明了通过此模型可以构造出连续正则化流模型，能够通过最大似然进行训练，而不需要对数据维度进行分区或排序，并展示了如何在较大模型内部向任何 ODE 求解器进行可扩展地反向传播，从而实现 ODE 的端到端训练。

    Jun, 2018

  • 基于神经 ODE 的同胚配准场心脏超声图像分割

    该研究使用神经常微分方程 (Echo-ODE) 方法对超声心动图像进行分割以进行图像配准，通过解决连续 ODE 实现更平滑的分割，并在整个序列中保留分割地图的拓扑结构，同时保持与时间的一致性，其平均绝对误差为 2.7-3.1。

    Jun, 2023

  • 分解神经常微分方程

    本文通过进一步开发连续深度神经微分方程模型，以期澄清几种设计选择对其底层动态的影响，进而解密其内部运作方式。

    Feb, 2020

  • 神经流：神经常微分方程的有效替代方案

    本文提出通过直接建模解曲线流和神经网络，消除昂贵的数值解算器，提高神经 ODE 的建模能力，并提供几种适用于不同应用场景的流体结构，从而提高计算效率和一致性。应用于时间序列建模、预测和密度估计，取得了良好的泛化性能。

    Oct, 2021