Dec, 2023

实时三维近场 MIMO 雷达成像的高效基于物理的学习重建方法

PDF
TL;DR通过开发深度学习重建方法，我们为实时近场多输入多输出（MIMO）雷达成像系统提供了一种新颖的非迭代重建方法，旨在在压缩设置下以较低的计算成本实现高质量图像。
near-field mimo radar imaging systemsdeep learning-based reconstruction methodscompressive settingsphysics-based initial stage3d u-net
发现论文，激发创造
  • 基于深层先验的 3D 近场 MIMO 成像中的幅度插入与播放正则化

    近程雷达成像系统使用在各种应用中，本文研究了利用稀疏的多输入多输出（MIMO）阵列测量来重建近程场景三维复值反射率分布的问题，并采用交替方向乘子法（ADMM）和正则化方法解决此问题，并提出一个简单快速的插入式（PnP）重建方法。

    Dec, 2023

  • 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

  • 基于物理驱动深度神经网络的实用单次相位恢复算法研究

    提出了一种名为 PPRNet 的新物理驱动多尺度深度学习网络结构，能够从仅进行一次傅里叶幅度测量的数据中，准确、快速、并在实践光学系统中取得显著的重建效果。

    Aug, 2022

  • RayNet：学习具有射线势函数的体积三维重建

    本文提出 RayNet 模型，将卷积神经网络和马尔可夫随机场相结合，利用视角不变特征表示和透视投影与遮挡的物理规律，重建不同视角的物体的密集三维模型。在真实世界的数据集上，该方法相较其他方法表现良好。

    Jan, 2019

  • 用于可编程照明计算显微术的混合深度学习和基于物理的神经网络

    采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

    Jan, 2024

  • 物理约束无监督深度学习用于快速高分辨率扫描相干衍射重建

    使用非监督物理知识神经网络重建方法，结合衍射正演映射与重叠测量的约束，提高了重构速度和质量，为高通量环境下的高分辨率实时成像带来了令人兴奋的前景。

    Jun, 2023

  • 深度非直视线重建

    本文采用卷积前馈神经网络来解决超出直线视野成像中的复杂非线性细节重建问题，能够高效地生成大量的训练数据。实验结果表明，我们的前向传播网络，即使仅在合成数据上训练，也能推广到 SPAD 传感器的测量数据，并能够获得与基于模型的重建方法相媲美的结果。

    Jan, 2020

  • 基于数据驱动的深度学习设计海量 MIMO 飞行员和信道估计器

    本文提出了一种基于数据驱动的深度学习方法，用于联合设计宽带大规模多输入多输出系统的导频信号和信道估计器。通过利用大规模 MIMO 信道的角度域压缩性，该方法可以从欠定的测量中可靠地重构高维信道，模拟结果表明，该方法优于最先进的压缩感知方法。

    Mar, 2020

  • 深度学习方法用于平行磁共振图像重建

    介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

    Apr, 2019

  • 基于深度学习的多目标雷达检测估计

    本研究提出了一种基于卷积神经网络的方法，可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数，并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间，并且在峰值信噪比方面表现的也更为优秀。

    May, 2023