Apr, 2023

使用具有 Anderson 加速的学习半二次拆分网络增强电阻抗层析重建

PDF
TL;DR本研究提出了一种基于物理学知识的深度学习算法，将 Anderson 加速方法应用于 Half-Quadratic Splitting 网络中，以提高电阻抗成像的精度和稳定性。实验表明，这种算法在重建图像的同时，能够避免伪影和噪点的产生，具有一定的优势。
发现论文，激发创造
  • Deep D-bar：使用深度神经网络进行实时电阻抗层析成像

    本研究证明利用卷积神经网络技术处理非线性逆问题可以使电阻抗断层成像的重建效果更加清晰可靠。该网络通过对模拟数据进行训练，并成功地应用于实验数据的处理，无需额外的转移训练步骤。结果使用 ACT4 和 KIT4 电阻抗断层成像系统的实验数据呈现。

    Nov, 2017

  • 电阻抗成像：深度学习与基于分析的方法的公平比较研究

    使用电阻抗成像（EIT）技术解决 EIT 反问题的方法进行了综述，重点考察了基于深度学习和传统分析方法之间的相互作用，评估它们在重建复杂电导率分布方面的能力，并引入了具有变化电导率情景的评估方法，以模拟组织或材料在现实场景中呈现空间变化的电学特性。

    Oct, 2023

  • GA-HQS: MRI 通用加速展开重建方法

    通过使用二阶梯度信息和金字塔注意力模块以及多尺度拆分变换器，我们提出了一种 “泛加速半二次拆分” 算法，用于 MRI 压缩感知图像加速处理，并在大量实验中验证了该方法的有效性。

    Apr, 2023

  • Beltrami-Net：领域无关的电阻抗层析成像绝对成像的深度 D-bar 学习

    本文介绍了一种新型绝对电阻抗层析成像（a-EIT）图像重建方法，该方法将深度学习技术与实时强健的 D-bar 方法配对，并通过训练卷积神经网络来进行后处理，以提高图像质量。

    Nov, 2018

  • 使用深度学习解决电阻抗成像技术

    本文提出了使用深度神经网络解决电抗层析成像（EIT）问题的新方法。通过线性摄动分析正向映射并基于数值低秩性质，我们针对二维和三维问题提出了紧凑的神经网络结构，并证明了所提出的神经网络的高效性。

    Jun, 2019

  • 基于图 U-Net 的领域无关后处理：应用于电阻抗断层成像

    本文提出一种基于图卷积神经网络的重建方法，通过对有限元网格进行图化处理构建图，使用新型的聚集池化和反池化方式设计了灵活的图 U-Net。我们将该方法应用于电阻抗层析成像重建，经过模拟数据和三种不同测量设备的实验验证，表明该模型能够取得较好的性能和灵活性，可实现从三维设备到不同领域的重建。

    May, 2023

  • 深度卡尔德隆电阻抗成像方法

    本研究针对现有方法进行了改进，从而提出了一种复杂阻抗层析成像技术，该技术通过使用卷积神经网络对成像结果进行后处理，以改善成像的分辨率和准确性。实验结果表明，该方法能够显著提高标准 Calderón 方法的性能。

    Apr, 2023

  • 基于 GAN 的二维介质散射体电磁成像

    基于深度学习和生成对抗网络的逆散射问题研究，通过对多频散射电场幅度的准确和高效重构，提出了一个强大的方法，其中采用了对抗自编码器和密集层构成的逆神经网络框架，通过与正向神经网络的比较验证了结果的可靠性和提高了建模效率。

    Feb, 2024

  • EIT: 强化交互式变压器

    本文提出了一种新的神经网络架构，即增强交互式 Transformer (EIT)，用于解决自注意机制中的头部衰减问题。我们将传统的多头自注意机制替换为增强的多头注意力机制 (EMHA)，并引入两种交互模型，Inner-Subspace 交互和 Cross-Subspace 交互，以充分利用 EMHA 的映射能力。通过广泛的实验，我们发现 EIT 在多项任务上 (如机器翻译、摘要生成、语法纠正、语言建模和脑疾病自动诊断)，仅仅在模型大小方面有很小的增加就能以优异的性能超越传统模型。

    Dec, 2022

  • QuadraNet：硬件感知的四次神经网络提高高阶神经交互效率

    使用二次计算方法重新思考高阶交互神经网络设计，提出了 QuadraNet 的综合模型设计方法，通过利用二次神经元的内在高阶优势和专门的计算优化方案，实现了最佳的认知和计算性能。

    Nov, 2023