Dec, 2023

等变的即插即用图像重建

PDF
TL;DR通过强制使去噪器对特定变换群（旋转、反射和 / 或平移）保持等变性，本研究展示了在插拔式算法中如何提高算法的稳定性和重建质量，并通过理论分析说明了等变性在性能和稳定性上的作用。我们提出了一种简单的算法，通过在算法的每次迭代中对去噪器的输入应用一个随机变换，并对输出应用逆变换，从而使任何现有的去噪器保持等变性。多种成像模式和去噪网络的实验表明，与非等变性的对照算法相比，等变插拔式算法能够提高重建性能和稳定性。
发现论文，激发创造
  • 迭代去噪和背向投影图像恢复

    本研究提出了一种利用现成去噪器方法解决反问题的替代方法，该方法需要较少的参数调整，通过自动调整参数，可以应对图像去模糊和修复等任务，并与任务特定技术和 Plug-and-Play 方法竞争性的理论分析和实证研究表明了该方法的有效性。

    Oct, 2017

  • 逆问题的等变神经网络

    本文介绍一种使用群等变卷积神经网络来解决逆问题的学习重建方法，通过在迭代方法中建立群等变卷积神经网络解决拉伸同变的问题，实现了低剂量计算机断层成像重建和子采样磁共振成像重建的质量提升。

    Feb, 2021

  • 使用深度去噪先验的即插即用图像恢复

    本研究旨在通过训练高度灵活和有效的深度 CNN 降噪器来构建深度降噪先验，将其作为模块化部分插入基于半二次分裂的迭代算法以解决各种图像恢复问题，实验结果表明所提出的方案不仅对于模型模拟的方法具有优势，对于学习方法也具有竞争性甚至更好的性能。

    Aug, 2020

  • 单次插拔式逆问题解决方案

    利用 Plug-and-Play（PnP）先验在逆问题中的应用日益突出，本研究介绍了 Single-Shot PnP 方法（SS-PnP），使用少量数据解决逆问题，通过将 Single-Shot 近端去噪器集成到迭代方法中，并提出基于保留相关频率的新型函数的隐式神经先验，以获得更好的逼近。

    Nov, 2023

  • 使用与滥用等变性

    我们研究了群等变卷积神经网络如何使用子采样来打破对其对称性的等变性，并探讨了对网络性能的影响。我们发现，即使输入维度只有一个像素的微小变化，常用的架构也会变得近似等变，而不是完全等变。当训练数据中的对称性与网络的对称性不完全相同时，近似等变网络能够放松其等变性约束，并在常见的基准数据集上与或胜过完全等变网络。

    Aug, 2023

  • 梯度步长去噪器用于插拔式收敛

    本文提出了一种新型的 Plug-and-Play 方法，使用半二次分裂作为正则器，将梯度下降步骤实现为由深度神经网络参数化的功能。作者证明了该算法是一个收敛的迭代方案，可应用于各种形式的逆问题，比如去模糊、超分辨率和修复等，达到与最先进的方法相当的性能。

    Oct, 2021

  • 插入并播方案下的泊松反问题

    本文提出了一种基于 “Plug-and-Play” 方法的模块化迭代方案，将高斯去噪算法与泊松噪声反问题耦合，可以让其他开发人员轻松地将其自己的高斯去噪算法插入到我们的方案中。

    Nov, 2015

  • 利用等变神经网络进行翻译恢复

    本文提出了一种预分类器恢复器，以恢复被平移（甚至旋转）后的输入到原始输入，该恢复器基于用于张量空间上的平移等变的充分必要条件。

    Jun, 2023

  • 生成即插即用：逆问题后验采样

    本文介绍了一种新的基于 Plug-and-Play 的图像重建方法 Generative Plug-and-Play (GPnP)，其通过使用扩展的先验模型和物理模型来进行样本采样，实验结果表明该方法在稀疏插值和层析重建方面具有鲁棒性和实用性。

    Jun, 2023

  • 高维线性反问题中的插值估计：严格分析

    本研究探讨了结合向量近似消息传递算法 (VAMP) 的插件降噪方法，以及对高维旋转不变随机矩阵 A 和 Lipschitz 降噪器，可以精确预测这种 VAMP 方法的均方误差，并在图像恢复和参数双线性估计等应用上进行了演示。

    Jun, 2018