Jun, 2023

基于引导深度生成模型的空间正则化多波段成像反问题

PDF
TL;DR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。
multiband imagingspectral regularizationspatial regularizationdeep learningsemantic features
发现论文，激发创造
  • 逆问题中的对抗正则化器

    该论文提出了一种新的框架，利用神经网络作为正则化函数，将数据驱动方法应用于逆问题解决，该算法可以在没有监督训练数据的情况下应用于逆问题，并在 BSDS 数据集上显示了去噪和在 LIDC 数据集上显示了计算机断层扫描重建的潜力。

    May, 2018

  • 逆问题的学习正则化：来自光谱模型的洞见

    本文旨在基于理论提供对于反问题的先进学习方法进行研究，探讨正则化方法及其收敛性的广义定义，该定义可以为未来的理论研究铺平道路。在基于先前用于监督学习的简单光谱学习模型的基础上，我们研究了适用于反问题的不同学习范式的关键属性，这些属性可以独立于具体的体系结构进行阐述。特别是，我们研究了正则化性质、偏差以及对训练数据分布的关键依赖。此外，我们的框架允许突出和比较不同范式在无限维限制条件下的特定行为。

    Dec, 2023

  • StyleGAN 诱导的数据驱动正则化用于反问题

    通过使用预训练的 StyleGAN2 生成器构建先验分布，将学习的贝叶斯重建与生成模型相结合，实现了对图像修复和超分辨率重建问题的解决，与现有 GAN 图像重建方法相比表现更好。

    Oct, 2021

  • 小数据集学习：图像重建中的基于图块的正则化器

    借助深度神经网络，本文研究了解决小数据集的逆问题，集中在将基于模型的方法与数据驱动方法相结合，通过逼近图像先验对全局经验分布的 Wasserstein 差异进行判罚及最大对数似然进行最优化，实现了贝叶斯逆问题的不确定性量化，并在计算机断层摄影、图像超分辨率和修复领域取得了高质量的结果。

    Dec, 2023

  • 逆问题中的稀疏正则化中学习高斯混合模型

    本研究提出了一种概率稀疏性先验，用于建模相对于通用基的稀疏性，并设计了一个神经网络作为线性逆问题的贝叶斯估计器。通过与常用的稀疏性促进正则化技术进行比较，我们的重建方法在所有使用的一维数据集上均表现出更低的均方误差值。

    Jan, 2024

  • 数据依赖的岭正则化对逆问题的稳定性

    我们提出了一种基于像素的岭正则化器，其具有数据依赖性和空间可变的正则化强度，以实现反问题的稳健解的理论保证和高重建质量，并证明重建形成一种最大后验方法。仿真结果表明，即使只有一小组特定实例的训练集可用，该方法也能产生高质量的重建结果，适用于生物医学成像和材料科学领域。

    Jun, 2024

  • 高维 MR 重建：子空间与自适应生成模型集成

    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.

    Jun, 2023

  • 全局深度变分：反问题的稳定正则化器

    介绍了一种新的数据驱动的总变分正则化器，将反问题的变分公式与深度学习相结合，使用卷积神经网络提取多尺度和连续块中的局部特征， 实现了全局优化控制和相对于正则化器的参数和初值的稳定性分析，并在众多成像任务上实现了最先进的结果。

    Jun, 2020

  • 基于全变差正则化深度图像先验的图像恢复

    本研究探索将传统的稀疏型正则化与深度图像先验（DIP）框架相结合，通过使用卷积神经网络（CNN）架构和传统的总变差（TV）正则化方法，证明了在图像去噪和去模糊等传统恢复任务中，引入 TV 会带来相当大的性能提升。

    Oct, 2018

  • 基于敌对网络的 RGB 空间上下文感知光谱图像重建

    本文提出了一种基于生成对抗网络的图像到图像映射方法，用于超光谱自然图像重建，经过定量评估，相对均方根误差降低了 54.0%。

    Sep, 2017