Sep, 2023
深度学习与反问题
Deep Learning and Inverse Problems
Ali Mohammad-Djafari, Ning Chu, Li Wang, Liang Yu
TL;DR这篇论文主要研究了机器学习和深度学习在逆问题中的应用,特别关注了神经网络和卷积神经网络的使用。
Abstract
machine learning (ML) methods and tools have gained great success in many
data, signal, image and video processing tasks, such as classification,
clustering, object detection, semantic segmentation, language processing,
Human-Machine interface, etc. In computer vision, image and video
发现论文,激发创造
成像中逆问题的深度学习技术
探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用,提出了一种可以用于将不同问题和重建方法分类的分类法,并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。
May, 2020
一种网络解决所有问题 —— 使用深度投影模型解决线性反问题
本文提出了一种通用框架来训练单个深度神经网络,以解决任意线性反问题,通过提供一个接近算子来实现这一目的,并在压缩感知和像素插值等任务中显示出优越的性能。
Mar, 2017
成像反问题的模型适应
探究如何在不知道正向模型改变详情的情况下,使用简单的模型适应方法,使得深度神经网络在计算成像的各种逆问题中,包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面,取得实证成功。
Nov, 2020
MoDL: 逆问题的基于模型的深度学习架构
该研究提出了一种基于卷积神经网络的模型重建框架,实现了解决逆问题的途径。该框架克服了深度学习方法中过多参数所占用的训练数据和时间上的需求问题,并在重构图像方面取得了显著成果。
Dec, 2017
深度卷积神经网络用于图像反问题
使用深度卷积神经网络,结合直接反演、多分辨率分解和残差学习等技术来解决病态反问题,实验证明,在稀疏采样下,该方法能在不到一秒的时间内重建 512 x 512 的图像,取得了比迭代正则化平滑重建更好的效果。
Nov, 2016
使用深度神经网络解决反问题 -- 鲁棒性是否包含?
本文针对深度学习方法在图像重建领域中的应用进行了可靠性研究,通过对受压缩感知、傅里叶和 Radon 重建等问题进行深入分析并量化和定性地比较了深度学习和总变分模型,其结果表明,深度学习模型不仅对统计噪声有抗干扰能力,而且对对抗干扰也能够很好地处理。
Nov, 2020
基于物理字典的稀疏信号分解驱动的深度神经网络求解反问题
提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法,该方法具有较高的可解释性、易于训练,适合于在医学中的应用,具有 MRI 成像参数估计等方面的应用潜力。
Jul, 2021