基于深度学习的压缩感知鲁棒性评估
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。
Nov, 2020
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
通过在少数几个度量值中应用未训练卷积神经网络的自正则化属性,在没有任何正则化的情况下,可以从少数的随机测量中大致重建具有足够结构的信号和图像。
May, 2020
该论文提出了一种基于 MSE 损失重建网络的可视改善组件,通过引入感知损失函数和对抗性损失函数,可以更好地平衡图像清晰度和对比度。同时,提出了一种语义可解释性评分,可对象地定量评估图像质量。在基于 8 倍下采样的大型心脏 MRI 数据集上的应用表明,该方法相比最新技术,在人类观察者研究和语义可解释性得分上均有显著提高。
Jun, 2018
评估不同深度学习方法和经典方法在 CT 图像恢复中的鲁棒性,发现深度网络更容易受到未定向攻击的影响,数据一致性不受重建质量影响,需要更好的正则化方法。同时,深度网络和经典方法都容易受到对局部病变产生可见变化的攻击的影响,这些攻击可以用于探索 CT 恢复问题的解空间。
Feb, 2024
本文提出了一种单图像自监督压缩感知磁共振成像框架,能够实现压缩感知估计的深度与稀疏正则化,有效降低结构化压缩感知伪影,提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估,平均峰值信噪比 (PSNR) 提高了 2-4dB。
Nov, 2023
深度学习在图像重建中是当前各种成像任务的最先进方法,研究发现使用不同数据分布来训练模型相对于单一数据分布训练的模型在加速磁共振成像上表现出更好的鲁棒性和性能,并且不会削弱模型在特定分布下的性能。
Dec, 2023
本文提出基于去噪 - 近似传递消息和 Stein 无偏风险估计器理论的新方法,用于训练深度学习图像去噪器。这些方法能够从少量观测数据中恢复高质量图像,不需要原始图像,也不需要手动设置的图像先验条件,并在各种具有挑战性的压缩感知恢复问题上实现了最先进的性能。
Jun, 2018
本文深入探讨自监督学习算法在 MRI 图像重建中的验证方法,发现定量评估前瞻性重建、常用度量标准的适用性以及泛化能力等方面有重要影响,最终验证得到压缩感知重建和学习去噪方法的表现相似。
Jan, 2022