Apr, 2023

一种基于直接采样的深度学习逆向介质散射问题方法

PDF
TL;DR本文提出了一种基于直接采样的深度学习方法，通过 U-Net 神经网络和多个采样数据，实现了对不均匀介质散射体的高质量重构。经过测试，在不同噪声水平下，该方法表现出很好的稳健性和高效性。
inverse medium scattering problemdirect samplingdeep learningu-net neural networkmultiple measured data
发现论文，激发创造
  • 成像小介电不均匀性的直接采样方法：分析与改进

    本文中提出了直接抽样方法（DSM）以解决散射反问题，通过解析表达 DSM 指标函数来展现 DSM 方法在一些情况下的固有局限性，并提出改进的 DSM 来克服这些限制，同时发现 DSM 和传统的 Kirchhoff 迁移方法存在密切的关系。

    Jan, 2018

  • 有限孔径反散射问题的深度分解方法

    本文探讨了一个针对有限孔径下逆障碍散射问题的深度学习方法，该方法通过提供与散射模型相关的物理算子给神经网络架构来实现深度学习在逆问题上无需标记数据并且具有学习意识的可能性。此外，还实施了基于深度学习的数据补全方案，以防止有限孔径数据导致逆问题解的失真。此外，DDM 不仅解决了逆问题本身的不适定性，还是一种具有解释性特性的物理意识机器学习技术。DDM 的收敛性结果已从理论上得到证明。数值实验展示了即使入射和观测孔径极其有限，所提出的 DDM 仍然有效。

    Mar, 2024

  • 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

  • 可逆扩散模型用于压缩感知

    本文提出了一种新颖的高效端到端扩散压缩感知方法，使用可逆扩散模型（IDM）从压缩测量恢复原始图像，克服了传统学习范式的限制，超过现有先进的压缩感知网络 2.64dB 的 PSNR 增益并实现 14.54 倍的推理加速。

    Mar, 2024

  • Transformer 遇上边值反问题

    提出了一种基于转换器的深度直接抽样方法，用于电阻抗层析成像中的逆问题，尤其是在基于局部微分方程的特征映射和可学习的非局部核心的引入下，直接采样被重新转化为修正的注意机制，被证明该方法比先前的研究获得了更高的精度，同时还表现出对噪声的鲁棒性。

    Sep, 2022

  • 基于 Onsager 修正的深度学习在稀疏线性反问题中的应用

    本文提出了一种新颖的神经网络架构，通过 Onsager 校正的方式在层间解耦预测误差，以应用深度学习于稀疏线性反问题中，数值实验表明，与 Gregor 和 LeCun 的 “learned ISTA” 网络相比，我们的 “Learned AMP” 网络在精度和复杂性方面均有显著提高。

    Jul, 2016

  • 深度散斑相关：通过散射介质的可扩展成像的深度学习方法

    本研究提出了一种基于统计学习和卷积神经网络的高度可扩展的方法，通过散射介质中捕捉到的雹花强度模式，模型具有抗雹花去相关性的鲁棒性，并能够实现准确物体预测。

    Jun, 2018

  • 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

  • DDGM: 基于扩散去噪的梯度最小化求解反问题

    该论文提出了一种基于梯度下降与降噪相结合的噪声重建方法，可以高精度地重建电子显微学的层析成像问题，结果表明相对于传统方法和更复杂的扩散方法，该方法具有更高的精度和更快的计算速度。

    Jul, 2023

  • 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