Aug, 2023

一种应用于微波层析成像的稀疏编码逆问题方法

PDF
TL;DR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。
inverse imaging problemssparse representationgenerative modelmicrowave tomography imagingstate-of-the-art algorithms
发现论文，激发创造
  • 卷积神经网络是否解决了 CT 逆问题？

    该研究研究了使用卷积神经网络在稀疏视图的计算机断层成像中进行图像重建的逆问题是否可行，结果发现在具体条件下，不能使用该 CNN 解决稀疏视图 CT 的逆问题，这对于在医学成像中使用 CNN 解决逆问题提出了疑问。

    May, 2020

  • 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

  • MRI 采样模式学习

    本文利用压缩感知理论，提出了一种用于磁共振成像的稀疏采样模式学习方法，通过只有 7 个样本对的监督学习方法训练，可以在测试数据上取得较高重建质量。

    Jun, 2019

  • 何时使用卷积神经网络解决反问题

    本文介绍求解计算机视觉中的重构问题，阐述了使用卷积稀疏编码与卷积神经网络的优缺点，并提出了卷积稀疏编码可用于解决某些反问题的有效性，通过 JPEG 残留抑制和非刚性轨迹重建的操作，对使用 CSC 方法进行的应用进行了实证和验证，并指出如何将 CSC 模型的理论用于改进 CNN 模型的应用。

    Mar, 2020

  • 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

  • 稀疏建模在图像和视觉处理中的应用

    本文介绍了关于稀疏模型及其应用的多学科研究，主要涉及模型选择、稀疏编码、图像识别和图像处理等领域。本文针对数据的学习和适应性字典，提供了一种自包含的稀疏建模方法，已在各种领域中获得成功应用。

    Nov, 2014

  • 基于稀疏性的亚波长部分相干光压缩感知成像

    本研究利用基于稀疏性的亚波长成像技术，展示了如何从部分空间 - 不相干光带载的亚波长光学图像的远场或模糊图像中恢复图像。同时，我们提出了一种称为二次压缩感知的算法方法，以恢复局部相关性测量中的信息，包括显微镜中的白光显微镜。

    Apr, 2011

  • 计算成像反问题的变分推断

    本文介绍了一种新的框架，基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断，使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点，并在两个实验光学设置中应用：全息图像重建和通过高度散射介质成像。在两种设置中，都用很少的训练数据，达到了最先进的重建效果。

    Apr, 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

  • 基于张量的字典学习方法用于层析图像重建

    本研究利用来自训练图像的字典作为先验进行断层扫描重建，并使用张量表示和稀疏约束来解决字典学习和重建问题。结果表明，我们的张量表示方法可以得到非常稀疏的表示，同时能够紧凑地表示重复的特征。

    Jun, 2015