Jun, 2023

高维 MR 重建：子空间与自适应生成模型集成

PDF
TL;DR本研究旨在发展一种新的方法，将子空间和生成图像模型融合到一起以用于高维 MR 图像重建，结果表明该方法在快速 MR 参数映射和高分辨率 MR 光谱成像方面取得了比基于子空间的最新方法更好的性能.
发现论文，激发创造
  • 基于图像自适应 GAN 的重建

    本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足，提出一种图像自适应的修复方案，增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。

    Jun, 2019

  • 基于多重监督网络训练的动态 MR 成像技术：获得 K 空间和空间先验知识

    本论文提出了一种综合应用 k 空间和空间先验知识的动态 MRI 成像方法，采用多监督网络训练技术，可以在更短的时间内获得比传统方法和现有技术更好的重建结果。

    Sep, 2018

  • 基于随机生成先验知识的可证收敛压缩感知方案

    本文介绍了一种通过神经网络的深度生成模型来提供低维参数化图像或信号流形的方法， 证明了其在噪声的压缩感知方面的收敛算法，其样本复杂度与先前的稀疏方法相比具有线性的优越性和改进的潜力。

    Dec, 2018

  • 自适应随机子空间中的高维优化

    提出了一种新的高维随机优化方法，将坐标下降法推广到随机子空间，证明了使用自适应采样策略的随机子空间可以显著优于最近文献中常见的盲目采样方法，可以通过相关随机矩阵集合有效生成自适应子空间；在具有不同谱衰减的数据矩阵上验证了该方法在机器学习问题中的速度优势，包括逻辑回归、带随机卷积层的核分类和具有修正线性单元的浅神经网络。

    Jun, 2019

  • 基于引导深度生成模型的空间正则化多波段成像反问题

    本文提出了一种使用辅助高分辨率图像提取定制数据驱动空间正则化的通用框架，并将其用于多波段图像融合和修复任务中，实验结果表明与传统方法相比，具有更好的效果。

    Jun, 2023

  • GAN 中的低秩子空间

    使用低秩矩阵分解的方法可以更好地控制 GAN 生成的图像特征，同时局部的图像编辑控制可以通过该方法实现。

    Jun, 2021

  • 潜在表征空间中的多模态传感器融合

    提出了一种基于多模态生成模型的传感器融合方法，该方法应用于多模态融合实验（如多感官分类，去噪和从子采样观测中恢复）。

    Aug, 2022

  • 将空间信息融入 GAN 超分辨率模型的损失函数的通用方法

    在这篇文章中，我们提出了一种通用方法，可以在大多数基于生成对抗网络（GANs）的超分辨率（SR）模型中有效地引入空间信息，并将其导入训练损失，从而减少产生的伪影和噪声，最终提高感知质量。

    Mar, 2024

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021

  • 基于非结构化生成模型的可探索网格变形子空间

    通过在预训练的生成模型子空间中构建一个易于导航的二维探索空间，将给定的一组标志性形状的变化转化为变形场，以便将这些变化传递到高质量的网格模型。

    Oct, 2023