Nov, 2020

逆问题中的去噪分数匹配用于不确定性量化

PDF
TL;DR本研究提出了一种基于贝叶斯框架的深度神经网络反问题求解方法，使用噪声分数匹配技术学习先验分布，并结合模拟退火算法对图像反问题进行全面采样，应用于磁共振成像重建，提供了高质量的图像重建以及重建图像中特定特征的不确定性评估。
deep neural networksbayesian frameworkdenoising score matchingmri reconstructionuncertainty quantification
发现论文，激发创造
  • 贝叶斯深度图像先验下的医学图像去噪中的不确定性估计

    通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

    Aug, 2020

  • 使用降噪器中隐式的先验信息解决线性反问题

    本文提出了一种利用深度神经网络模型中的隐式先验进行线性反问题求解的方法，借助宫澤统计学理论和随机梯度上升算法，在去噪、去模糊、插值和压缩感知等方面取得了最先进的非监督性能水平。

    Jul, 2020

  • 利用从噪声数据中学习到的基于分数的生成先验解决反问题

    本文介绍了 SURE-Score， 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法，演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。

    May, 2023

  • 目标分数匹配

    该论文介绍了利用目标分数的知识来改进 Denosing Score Matching 算法，在低噪声水平下取得更好的评估分数的效果。

    Feb, 2024

  • 推断阶段去噪对于欠采样 MRI 重建

    通过使用条件超参数网络，本研究提出在多个高斯噪声水平下实现高清图像重建的方法，同时达到最高的准确性和图像质量。

    Feb, 2024

  • 使用正则化逆扩散进行 MR 图像降噪和超分辨率

    该论文提出了一种新的去噪方法基于得分的反向扩散采样，通过该方法，我们的网络在仅训练冠状膝关节扫描的情况下，在复杂的混合噪声污染的体内肝脏 MRI 数据中表现卓越，并提出了一种用同一网络提高去噪图像分辨率的方法，通过大量实验表明，我们的方法在具有先进性能的同时具有优良的特性，这些先前的 MMSE 去噪器没有的：自由选择去噪程度和量化不确定性。

    Mar, 2022

  • 基于分数先验引导的深度变分推断方法用于无监督的实际场景单图像去噪

    通过引入得到易用的最小 MSE 非独立同分布高斯去噪器和变分采样，我们提出了一种得分先验引导的深度变分推理方法 ScoreDVI，用于实际场景的去噪。同时，我们利用非独立同分布高斯混合模型和变分噪声后验建模来适应实际场景噪声，并实现多个图像先验和变分图像后验的逐像素融合。此外，我们还开发了一个噪声感知的先验分配策略，动态调整优化中图像先验的权重。我们的方法在实际场景的单图像去噪中表现优于其他方法，且与基于数据集的无监督方法具有相当的性能。

    Aug, 2023

  • 使用基于分数的生成模型解决医学影像中的反问题

    本文提出了一种基于未监督方法的重建医学图像的技术，利用基于得分的生成模型捕捉医学图像的先验分布，通过一种采样方法重建医学图像，能够灵活适应不同的测量过程，相比有监督学习技术在多项医学成像任务中表现更好，并且在未知测量过程下表现显着更好。

    Nov, 2021

  • 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

  • 基于神经网络的扩散模型分值估计：优化与泛化

    通过分析神经网络的数学框架和得分匹配与回归分析之间的创新连接，本文提出了第一次得分函数学习的一般化误差（样本复杂性）边界，从而克服了观测值中存在噪声的问题。

    Jan, 2024