Sep, 2023

R2D2：无线电天文学中用于近实时高动态范围成像的深度神经网络系列

PDF
TL;DR用于射电干涉测量中高分辨率、高动态范围综合成像的一种新的人工智能方法。该方法基于混合深度神经网络（DNN）和数据一致性更新，通过将重建视为一系列以前一次迭代的残差脏图像作为输入的 DNN 的输出的残差图像来建立。该方法能够以较少的项提供高精度成像，并且在计算效率上比其他算法更快。
ai approachhigh-resolution imaginghigh-dynamic range imagingradio interferometryr2d2 model
发现论文，激发创造
  • R2D2 深度神经网络系列模型用于射电天文学中的快速精确成像

    通过引入一种深度学习方法，命名为 “高动态范围成像的残差到残差 DNN 系列”，解决了高分辨率高动态范围反问题的可扩展性挑战，同时提供了快速精确成像的能力。

    Mar, 2024

  • 无线电天文学中带有模型不确定性量化的 R2D2 图像重建

    这篇研究论文使用 Residual-to-Residual DNN（R2D2）方法进行高动态范围成像，通过集成学习的方式生成多个 R2D2 实例，从而提供了一种同时估计和量化不确定性的功能。结果表明，R2D2 的图像估计能力优于现有算法，计算多个重建样本和不确定性图在大图像尺寸下也非常实用，并且模型的不确定性非常低。

    Mar, 2024

  • 可扩展的非笛卡尔磁共振成像方法: R2D2

    基于非笛卡尔磁共振图像重建的 Residual-to-Residual DNN 系列 (R2D2) 方法，利用分层残差图像的迭代估计形成多层 DNN 输出，从而实现可扩展且优于传统 PnP 方法的重建质量。

    Mar, 2024

  • DR2-Net: 基于深度残差重建网络的图像压缩感知

    提出基于深度残差网络的压缩感知图像重构算法 DR$^{2}$-Net，通过两个观察，即线性映射可以重建高质量的初步图像，残差学习可以进一步提高重建质量。DR$^{2}$-Net 由线性映射网络和残差网络两个组件构成，实验结果表明其在压缩感知图像重建上胜过传统迭代方法和现有的深度学习方法。

    Feb, 2017

  • 3D-R2N2：单视角和多视角三维物体重建的统一方法

    使用深度学习方法，构建一个名为 3D-R2N2 的递归神经网络结构，使用大量的合成数据将图像映射到对应的 3D 形状，无需图像注释或对象分类标签，可以在缺乏纹理或宽基线的情况下，实现对象的 3D 重建，并在单视图重建方面优于现有的最先进方法。

    Apr, 2016

  • R2-D2: 半监督深度学习的重复预测深度解码器

    本文提出了一种基于端到端框架的半监督深度学习（Deep SSL）方法，通过证明伪标签与网络预测之间的关系具有指数联系，为在深度学习范式中使用预测作为伪标签提供了理论支持；本文进一步证明了通过网络预测更新伪标签会使它们变得不确定，为此提出了一种名为 “重复预测” 的训练策略。 最后，在大规模 ImageNet 数据集上测试了所提出的 R2-D2 方法，并优于现有技术方法 5 个百分点。

    Feb, 2022

  • 重新定义汽车雷达成像：基于领域知识的 1D 深度学习方法用于高分辨率和高效性能

    我们的研究将毫米波雷达成像超分辨率重新定义为一维信号超分辨率光谱估计问题，通过利用雷达信号处理领域知识，引入创新的数据归一化和基于信噪比的损失函数，实现了适用于汽车雷达成像的定制深度学习网络，表现出了可观的可扩展性、参数效率和快速推理速度，以及在雷达成像质量和分辨率方面的提升性能。广泛的测试证实，我们的 SR-SPECNet 在产生高分辨率的雷达距离 - 方位图像方面，超过了现有方法，在不同天线配置和数据集大小方面都表现出色。源代码和新的雷达数据集将在网上公开提供。

    Jun, 2024

  • Dr2Net：动态可逆双重残差网络用于高效调优

    提出了一种称为 Dr²Net 的新型网络结构，通过减少内存消耗来对预训练模型进行微调，达到与传统微调相当的性能但显著减少了内存使用量。

    Jan, 2024

  • 使用稀疏阵列的超分辨率雷达成像技术，利用深度神经网络以升级虚拟数据进行训练

    该论文介绍了一种基于深度神经网络的雷达数据处理方法，能够提供无混淆的雷达成像和超高分辨率，使用真实模拟数据进行了验证，证明了该方法性能优于现有的子空间算法和机器学习方案，为雷达信号处理提供了很有前途的解决方案。

    Jun, 2023

  • 图像恢复的残差稠密网络

    本文提出了一种新的残差密集网络（RDN），该网络从卷积层中充分利用层级特征，引入残余密集块（RDB）来提取丰富的局部特征，并允许直接连接，通过局部特征融合，以自适应地学习全局的分层特征。用于单张超分辨率、高斯图像去噪、图像压缩伪影去除和图像去模糊等多个任务，RDN 在基准和实际数据集上均取得了优异的性能。

    Dec, 2018