使用深度神经网络解决反问题 -- 鲁棒性是否包含？

Nov, 2020

使用深度神经网络解决反问题 -- 鲁棒性是否包含？

Solving Inverse Problems With Deep Neural Networks -- Robustness Included?

Martin Genzel, Jan Macdonald, Maximilian März

TL;DR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。

Abstract

In the past five years, deep learning methods have become state-of-the-art in solving various inverse problems. Before such approaches can find application in safety-critical fields, a verification of their reliability appears mandatory. Recent works have pointed out instabilities of d

deep learning image reconstruction adversarial perturbations robustness total-variation minimization

发现论文，激发创造

深度学习图像重建的鲁棒性改进

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。

Feb, 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

基于深度学习算子求解成像反问题中的歧义性

本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。

May, 2023

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

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

通过深度学习实现对于层析成像逆问题的几乎精确恢复

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

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

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

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