Jun, 2023

双域稀疏视角 CT 重建的学习交替最小化算法

PDF
TL;DR本文提出了一种新颖的学习交替最小化算法（LAMA），用于双域稀疏视图计算机断层成像（CT）图像重建，并在众多基准 CT 数据集上显示 LAMA 显着优于现有方法。
sparse-viewctnonsmooth nonconvex regularizersdeep networksimage reconstruction
发现论文，激发创造
  • MVMS-RCN: 多稀疏视角与多尺度精化校正的双域展开 CT 重建

    使用数学理论设计优化的深度学习算法，提出了一种新颖的双域深度展开统一框架，结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能，为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。

    May, 2024

  • 图像恢复的深度聚合交替最小化

    本文介绍了一种名为 DeepAM 的图像恢复通用框架，该框架使用卷积神经网络作为先验或正则化器，通过端到端学习来训练深度神经网络实现传统 AM 算法中的两个步骤（近端映射和？- 延续）。作者通过在大量数据上学习而获得的深度聚合的正则化器表现优于最近的数据驱动方法和非本地方法，并通过几个图像恢复任务来展示其灵活性和有效性，包括单张图像去噪、RGB-NIR 恢复和深度超分辨率。

    Dec, 2016

  • 多尺度小波域残差学习用于有限角度 CT 重建

    利用多尺度小波域残差学习架构结合先前方向性和全局分布性偏差的观察提出的新方法，可以有效消除有限角度下的 CT 图像伪影并保留图像的边缘和全局结构性。

    Mar, 2017

  • 通过交替最小化实现的稀疏高斯图模型估计 - G-AMA

    本文提出了一种新的基于交替最小化算法的方法 G-AMA，用于解决稀疏逆协方差估计问题，相对于先前的算法大大提高了计算速度，并能够处理高维现代数据集的机器学习任务。

    May, 2014

  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

    Dec, 2020

  • AAPM 深度学习稀疏视图 CT（DL 稀疏视图 CT）大挑战报告

    该研究旨在通过稀疏采样计算机断层扫描图像的深度学习技术，以使在理想条件下最小化均方误差，从而解决成像中的逆问题；研究采用 2D 乳腺 CT 模拟，参加算法超过 60 组，并且测试结果使得重建精度比之前的基于 CNN 的研究有了两个数量级的提升。

    Sep, 2021

  • X 光 CT 环形伪影去除的双域正则化方法

    提出了一种双域正则化模型来有效地消除计算机断层扫描图像中的环形伪影，并保持原始 CT 图像的完整性。该方法通过创新地更新探测器单元的响应不一致性补偿系数，以解决正弦图中的垂直条纹伪影，通过对条纹伪影应用组稀疏约束和投影视图方向稀疏约束。同时，对重建图像施加稀疏约束，进一步纠正图像域中的环形伪影。实验证明，该方法不仅在消除环形伪影方面超越了现有方法，而且在保持结构细节和图像保真度方面也表现出色。

    Mar, 2024

  • I-LAMM 用于稀疏学习：同时控制算法复杂度和统计误差

    这篇论文提出了一个名为 I-LAMM 的计算框架，旨在同时控制算法复杂度和统计误差，在拟合高维模型时具有最优的统计性能和可控的算法复杂度，本理论依赖于一种局部稀疏 / 受限特征值条件，可以分析大量的损失和惩罚函数，并在非常微弱的假设下提供最优性保证。

    Jul, 2015

  • 基于深度神经网络的稀疏采样 CT 成像正规化合成

    介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

    Mar, 2018

  • 快速交替最小化解多图像匹配问题

    本文提出一种全局优化的方法，用于同时匹配多张图像，将问题表述为低秩矩阵恢复问题并提供了一种快速交替最小化算法来解决该问题，在模拟和真实实验中，该算法与最先进的算法相比具有相同的计算性能但加速一个数量级。最后，证明了该方法的适用性，可以通过匹配不同对象实例的图像来重建特定类别的对象模型。

    May, 2015