基于深度学习算子求解成像反问题中的歧义性
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
深度神经网络在图像去模糊领域取得了重大突破,本文综述了盲目和非盲目图像去模糊中最流行的深度神经网络结构、性能指标和广泛使用的数据集,并讨论了该领域的当前挑战和研究空白,提出了未来研究的潜在方向。
Oct, 2023
该论文提出了一种使用深度生成网络作为先验进行盲图像去卷积(盲去模糊)的新方法,通过使用两个单独的生成模型以及卷积网络,我们提出了一种交替梯度下降方案,可在较大的模糊和噪声下获得有希望的去模糊结果,最终在更加多样化的自然图像数据集上获得了扩展应用。
Feb, 2018
该研究提出了一种基于卷积神经网络的模型重建框架,实现了解决逆问题的途径。该框架克服了深度学习方法中过多参数所占用的训练数据和时间上的需求问题,并在重构图像方面取得了显著成果。
Dec, 2017
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
本文研究探讨通过使用去噪神经网络替代凸优化算法中的正则化程式近算,使得数据项和正则化项可以独立选择并结合。在图像去模糊和去马赛克问题中,通过使用固定的去噪神经网络,本文取得了最先进的重建效果,并且该方法具有很高的通用性和较少的问题特定训练需求。
Apr, 2017
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
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
本篇论文提出了一种用于图像去模糊的简单而高效的算法,其通过预处理 Richardson 解算器,使用模糊核和自然图像先验核的近似逆滤波器,以卷积的形式代替通用的线性预处理器,可以实现图像间高效的参数共享;同时利用 CNN 嵌入学习预处理器与辅助变量的 proximal operator,进一步提高了算法的鲁棒性与准确性,使其成为非盲目图像去模糊领域中性能更出色的算法。
Jul, 2020