Dec, 2023

一个测试时间学习方法，通过卷积神经网络重新参数化地球物理反演问题

PDF
TL;DR探讨了将卷积神经网络（CNN）的内在正则化应用于地球物理反演问题，结果表明 CNN 提供的内在正则化在直流电阻率反演中是有效的。
regularizationgeo-physical inversionconvolutional neural networkimplicit regularizationdc resistivity inversions
发现论文，激发创造
  • 使用迭代深度神经网络解决不适定的反问题

    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

  • 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

  • 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

  • 物理约束卷积神经网络用于时空偏微分方程的逆问题

    提出一种物理约束卷积神经网络 (PC-CNN) 来解决非线性、时空变化的偏微分方程 (PDE) 逆问题，演示 PC-CNN 在处理空间可变的拟偏误数据、重构高分辨率空间解以及分析纳维 - 斯托克斯方程的表现。

    Jan, 2024

  • 卷积神经网络在图像反问题中的综述

    本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

    Oct, 2017

  • PhyGeoNet: 基于物理学信息的几何自适应卷积神经网络，用于解决不规则域上参数化稳态 PDE

    本文提出了一种新的物理约束 CNN 学习架构，用于处理非均匀的边界条件和不规则的几何形状，通过椭圆坐标映射和卷积神经网络，该方法在解决参数化 PDE 时比 FC-NN PINN 具有更高的准确性和效率。

    Apr, 2020

  • 利用卷积生成器的结构偏差进行降噪和正则化

    卷积神经网络在图像生成、还原和修复中具有良好的性能，即使在没有训练数据的情况下，通过应用随机初始化的过参数化凸轮生成器拟合噪声和损坏的自然图像可以去除图像噪声。在这篇论文中，作者将这种现象归因于卷积网络的特定架构选择，即使用固定插值滤波器进行卷积，并证明早期停止的梯度下降可用于去噪和对其他逆问题进行正则化。

    Oct, 2019

  • 逆问题中的对抗正则化器

    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

  • 神经重建背后的凸正则化

    本文提出了一种凸二元框架用于优化神经网络，从而解决了其在敏感应用如医学成像中的非凸和不透明性质的问题。该凸对偶网络不仅能够通过凸优化器获得最优训练，还有利于训练和预测的解释，特别是通过权重衰减正则化训练神经网络，诱导路径稀疏性的同时，预测是分段线性滤波。实验结果表明，该凸对偶网络优化问题在 MNIST 和 fastMRI 数据集上有效。

    Dec, 2020

  • 基于物理约束的卷积神经网络应用于数据系统误差的求解

    该研究提出了一种名为 PC-CNN 的物理约束卷积神经网络来发现基于偏微分方程的物理系统的空间和时间解，并从受到大量多模式系统误差损坏的数据中揭示解决方案，该方法是强大且灵活的。

    Jun, 2023