基于物理字典的稀疏信号分解驱动的深度神经网络求解反问题

ICMLJul, 2021

基于物理字典的稀疏信号分解驱动的深度神经网络求解反问题

Solving inverse problems with deep neural networks driven by sparse signal decomposition in a physics-based dictionary

Gaetan Rensonnet, Louise Adam, Benoit Macq

TL;DR提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法，该方法具有较高的可解释性、易于训练，适合于在医学中的应用，具有 MRI 成像参数估计等方面的应用潜力。

Abstract

deep neural networks (DNN) have an impressive ability to invert very complex models, i.e. to learn the generative parameters from a model's output. Once trained, the forward pass of a DNN is often much faster than traditional, optimization-based methods used to solve →

deep neural networks inverse problems medical applications interpretability mri

发现论文，激发创造

通信系统中的稀疏线性逆问题求解：一种具有自适应深度的深度学习方法

该论文提出一种基于深度学习的动态网络深度算法，通过在每一层引入终止得分，学习了解每个任务需要执行几层以获得最佳输出，并在稀疏信号恢复和通信信道估计方面表现出更高效和更好的性能。

Oct, 2020

逆问题的深度分解学习

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

基于时间的深度反演模型比较及神经伴随方法

本研究考虑如何解决一类通用的逆问题，通过使用深度学习等多种方法，通过随机快速生成搜索算法的方式，寻找可能的逆解空间，并通过一个新方法来得到最佳逆解。

Sep, 2020

一种网络解决所有问题 —— 使用深度投影模型解决线性反问题

本文提出了一种通用框架来训练单个深度神经网络，以解决任意线性反问题，通过提供一个接近算子来实现这一目的，并在压缩感知和像素插值等任务中显示出优越的性能。

Mar, 2017

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

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

使用迭代深度神经网络解决不适定的反问题

本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

Apr, 2017

使用深度神经网络解决反问题 -- 鲁棒性是否包含？

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

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

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