等变成像:超越值域空间的学习
本文提出了一种称为 “稳健等变成像”(REI)的框架,利用 Stein 的无偏风险估计器(SURE)实现对噪声具有鲁棒性的全面无人监督训练,从而在对抗噪声的情况下提高了线性和非线性反问题的性能表现,为深度网络的稳健无人监督成像铺平了道路。
Nov, 2021
透视等价成像(EI)是一个框架,利用光学相机成像系统(例如卫星或手持相机)中的透视可变性来恢复失去的信息,它在多光谱全色增强方面取得了最先进的结果,在卫星和城市图像数据上胜过了文献中的其他无监督方法。
Mar, 2024
本文介绍了一种新的框架,基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断,使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点,并在两个实验光学设置中应用:全息图像重建和通过高度散射介质成像。在两种设置中,都用很少的训练数据,达到了最先进的重建效果。
Apr, 2019
自监督方法在各种成像逆问题中最近证明了几乎与监督方法一样有效,在科学和医学成像应用中为基于学习的方法铺平了道路,其中获得地面真实数据难度或费用较高,在磁共振成像和计算机断层扫描中就是这种情况。然而,现有方法在图像超分辨率和去模糊问题中无法取得竞争性能,在大多数成像系统中起着关键作用。在本文中,我们展示了对于仅包含低频信息的测量数据,对于学习的翻译和旋转不变性是不足够的。相反,我们提出了一种新的自监督方法,利用了许多图像分布近似尺度不变的事实,可以应用于任何高频信息在测量过程中丢失的逆问题。通过一系列实验在真实数据集上证明了所提方法优于其他自监督方法,并获得了与完全监督学习相当的性能。
Dec, 2023
本文提出一种通过 Range-Nullspace 分解的深度学习框架,为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解,模型获得了更多的物理信息,可以有效提高神经网络的学习性能和实际表现。实验结果表明,该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。
Nov, 2019
本文提出了一种无监督框架用于训练图像估计网络,针对仅含测量值而没有地面真实图像的训练集,可以应用在压缩感知和盲复原等图像估计任务中。该无监督框架可以用于常规和盲估计任务,而且在考虑到非盲和盲训练的情况下,在压缩感知和盲复原中训练出的模型近似与全监督则没有太大的差距。
Jun, 2019
从一小组线性测量和来自扩散概率模型的图像先验出发,重新审视了从高维信号重构的问题。通过利用通过神经网络训练进行去噪的先验来获得一组优化的线性测量,不同于主成分分析(PCA)和压缩感知(CS),在最小化均方重构误差方面显著改进。而且,通过最小化结构相似性(SSIM)感知损失来优化测量,可以实现知觉上改进的重构。结果强调了在设计有效的线性测量时,纳入自然信号的特定统计规律的重要性。
May, 2024
计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架,利用深度生成模型来学习近似后验分布,以有效量化图像重建的不确定性,无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型,以增强稳定性,并通过梯度增强来增强表达能力。此外,我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用(即快速 MRI 和黑洞图像重建)上验证了我们的方法。我们的结果表明,我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。
Nov, 2023
MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法,采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上,我们的方法获得了新的最先进的结果,适用于脑部和膝盖的 MRI。
Apr, 2020