本文介绍了从训练图像中学习分析算子的算法,并将其应用于图像去噪、修补和超分辨率的领域,相对于专业技术上的最新方法具有竞争性的综合性能。
Apr, 2012
在重建和正则化逆问题领域,学习驱动和数据驱动技术近来成为主要关注点。本研究描述了一个通用框架,使我们能够在统计学习的背景下解释许多这些技术,重点研究学习重建方法的泛化性质,并特别进行样本误差分析。
Dec, 2023
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
从数据中学习先验模型,使用生成模型以高效学习先验的推进映射,并结合神经算子逼近方法并行学习前向模型,为需要从间接数据学习先验的情况提供了计算上更有效的方法。
May, 2024
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
本文综述了现代非线性正则化方法的发展,包括变分方法、图像处理和学习理论等,重点讨论其分析、应用和未来研究问题。
Jan, 2018
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
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。
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
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