Jul, 2023

通过生成性潜在优化解决图像反问题

PDF
TL;DR在稀疏投影 CT 上测试，通过与现有的基于分数的策略相比，使用多个训练数据集大小，cGLO 提供了更好的重建质量以及对于较小的训练数据集和减少的投影角度展现出逐渐增加的性能优势。此外，cGLO 不需要任何反向操作，甚至可以拓展应用于非线性的 IIPs。
computed tomographyimaging inverse problemdata-driven methodsunsupervised techniquesgenerative latent optimization
发现论文，激发创造
  • 使用基于分数的生成模型解决医学影像中的反问题

    本文提出了一种基于未监督方法的重建医学图像的技术，利用基于得分的生成模型捕捉医学图像的先验分布，通过一种采样方法重建医学图像，能够灵活适应不同的测量过程，相比有监督学习技术在多项医学成像任务中表现更好，并且在未知测量过程下表现显着更好。

    Nov, 2021

  • 通过深度学习实现对于层析成像逆问题的几乎精确恢复

    本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

    Jun, 2022

  • 无预训练网络先验的反演成像的算法保证

    本文研究了使用未经过训练的深度神经网络先验条件下的线性反演问题，包括压缩感知和相位恢复，并提出了基于梯度下降的算法以及证明了其收敛性。同时，本文还展示了相比于手工制作的先验条件，使用深度神经网络先验条件可以在相同的图像质量下实现更好的压缩率。

    Jun, 2019

  • 无需图像先验的不适定图像重建

    提出了一种无需显式图像先验信息的方法，通过共享低维结构来解决一组逆问题，其中可以处理许多具有通用结构的复杂实际问题，如图像降噪、相位恢复和黑洞视频重建等。

    Apr, 2023

  • 深度先验展开优化

    本文提出了一种使用深度先验知识进行解决图像重建问题的框架，该框架在去噪、去模糊以及磁共振成像的压缩感知等多种成像问题上实现了较大幅度的性能提升，并通过实验进一步解释了其优越性。

    May, 2017

  • 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

  • 可逆生成模型用于反问题：减轻表示误差和数据集偏差

    研究表明，在图像逆问题中，具有零表示误差的可逆神经网络可以作为自然信号的有效先验，在压缩感知等方面比稀疏先验和 GAN 先验更精确。

    May, 2019

  • 基于样式生成模型的先前图像约束重建

    利用深度学习方法，通过在生成式模型的分离潜在空间中对先验图像的概念性信息进行约束和优化，提出了一个框架用于从高度不完整的成像测量中估计与已知先验图像有语义相关性的对象。

    Feb, 2021

  • 一种应用于微波层析成像的稀疏编码逆问题方法

    通过对图像的稀疏表达进行训练，应用于微波断层成像中，可以解决非线性和病态问题，从而显著改进现有算法。

    Aug, 2023

  • 融合监督和无监督学习提升低剂量 CT 图像重构

    我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

    Nov, 2023