稳健等变成像：一种完全无监督的框架，用于从噪声和部分测量中学习成像

CVPRNov, 2021

稳健等变成像：一种完全无监督的框架，用于从噪声和部分测量中学习成像

Robust Equivariant Imaging: a fully unsupervised framework for learning to image from noisy and partial measurements

Dongdong Chen, Julián Tachella, Mike E. Davies

TL;DR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。

Abstract

deep networks provide state-of-the-art performance in multiple imaging inverse problems ranging from medical imaging to computational photography. However, most existing networks are trained with clean signals which are often hard or impossible to obtain. →

deep networks equivariant imaging robustness unsupervised learning noise

发现论文，激发创造

视角等变成像：一种用于多光谱全色增强的无监督框架

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

等变成像：超越值域空间的学习

提出了一种自我监督的框架，利用自然信号中的等变性来克服仅从压缩信号学习的难题，并成功地在多种成像问题上实现，包括稀疏视角 X 射线计算机断层扫描和自然图像修复

Mar, 2021

自监督学习分离不变等变表示

本文介绍了一种基于超网络的预测器，结合了不变和等变的表示形式，以学习更丰富的表示，进而在等变性相关任务中获得显著的性能提升。同时，本文还介绍了一个名为 3DIEBench 的数据集，其中包含来自 55 个类别的 3D 模型渲染超过 250 万幅图像，提供了完全可控的对象变换。研究者希望这两个工具能够在更复杂的场景中实现更好的无监督学习效果。

Feb, 2023

Stein 无偏风险估计的无监督学习

通过使用 Stein's Unbiased Risk Estimator（SURE）的概念，无需真实样本数据，仅使用来自相同噪声分布的其他图片的测量结果，就可实现图像恢复和降噪的任务，并在 Deep Image Prior 等领域取得了部分进展。

May, 2018

无监督学习群不变和等变表示

本文针对深度学习的无监督学习，将群不变和群等变表示学习扩展到了该领域。我们提出了一种基于编码器 - 解码器框架的通用学习策略，其中潜在表示被分为不变项和等变群作用项。在利用预测适当的群作用来对齐输入和输出姿势以解决重建任务时，网络可以学习将数据编码和解码为群不变表示。我们导出依变编码器的必要条件，并针对旋转，平移和置换明确描述了我们的构造。我们在不同网络架构下使用不同数据类型进行各种实验，测试了我们方法的有效性和鲁棒性。

Feb, 2022

映像逆问题不确定性量化的等变搴起方法

基于参数引导算法的等变形式，该方法可以使用任何图像重建技术来量化不确定性，同时能处理无真实数据情况下的图像重建，并在实验证明该方法在估计准确度、不确定性量化和计算时间方面优于现有方法。

Oct, 2023

无需图像真值训练图像估计器

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

远感场景下基于监督变分自编码器的标签噪声鲁棒图像表示学习

本文提出了一种标签噪声鲁棒的遥感图像学习方法，使用监督式变分自编码器结合深度神经网络，通过图像特征定义训练样本的重要性来防止嘈杂标签对遥感图像表示学习 (IRL) 的干扰。

Jun, 2023

逆问题的等变神经网络

本文介绍一种使用群等变卷积神经网络来解决逆问题的学习重建方法，通过在迭代方法中建立群等变卷积神经网络解决拉伸同变的问题，实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。

Feb, 2021

自监督学习用于图像超分辨率与去模糊

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