Dec, 2023

深层 Radon 先验：用于稀疏视图 CT 重建的完全无监督框架

PDF
TL;DR我们提出了一个名为 Deep Radon Prior (DRP) 的全无监督框架，通过将神经网络作为一个隐性先验引入迭代方法中，解决了现有方法中的一些限制。该方法在逐步优化神经网络的多个阶段中，在 Radon 域中缩小了欠约束成像协议的解空间，并讨论了所提方法的收敛性。与常用的预训练方法相比，该提出的框架不需要数据集，同时具有更好的可解释性和泛化能力。实验结果表明，该方法能够生成细节图像并有效抑制图像伪影，同时与有监督方法相比，DRP 的性能相当或更好。
发现论文，激发创造
  • 基于深度学习的 Radon 反演

    本文提出了一种基于深度学习的逆 Radon 变换方法，可完成端到端的扫描成像重建，其网络结构包含一个可学习的全连接滤波层和一个可学习的正弦反投影层，通过 ImageNet 数据库的训练获得了较好的病患数据的重建结果。

    Aug, 2018

  • 深度图像先验分析与图像重建中的自引导利用

    通过分析深度图像先验（DIP）的训练动态，我们揭示了 DIP 基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统 DIP 和现代监督方法，并且在图像修补中也优于之前基于 DIP 的方案。

    Feb, 2024

  • DPER: 基于扩散先验的限角度和稀疏视图 CT 重建的神经表征

    通过采用 Diffusion Prior Driven Neural Representation (DPER) 方法，本研究在解决计算机断层扫描（X-ray CT）重建问题中取得了显著的性能提升，有效应对了限角和稀疏视图场景下数据获取不完整、图像重建过程中出现多样化伪影的挑战。

    Apr, 2024

  • DeepRED: 基于 RED 提供动力的深度图像先验

    该论文介绍了一种将深度学习技术与反问题相结合的方法 ——Deep Image Prior（DIP），并提出了一种新的正则化方法 Regularization by Denoising（RED），将 DIP 与 RED 相结合，建立了高效的无监督反问题恢复流程，并通过多个测试问题证明其有效性。

    Mar, 2019

  • 使用深度图像先验和学习重建方法的计算机断层扫描重建

    本文探究了深度学习方法在低数据条件下应用于计算机断层扫描的可能性，并提出了一种深度图像先验方法与经典规则相结合的方法，提高了低数据条件下的重建质量和数据效率。

    Mar, 2020

  • 融合监督和无监督学习提升低剂量 CT 图像重构

    我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

    Nov, 2023

  • 通过深度学习实现对于层析成像逆问题的几乎精确恢复

    本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

    Jun, 2022

  • 基于时间的深度图像先验用于动态磁共振成像

    本论文提出一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络，可以重建高空间分辨率的连续动态 MRI 序列，并在数量和质量上优于现有方法。

    Oct, 2019

  • 探究基于深度图像先验的对抗防御：一种新颖的基于重建的防御框架

    针对深度学习图像分类模型易受恶意注入噪声的对抗攻击，本文基于深度图像先验提出了一种新颖有效的重建防御框架，并且分析和明确地将模型决策过程纳入了防御范畴，通过倒推清晰的 “干净样本”，最终构造出一幅可以被正确识别的图像，实验表明，在白盒、防御感知攻击下，该方法表现出优异的防御效果且重建图像的视觉质量较高。

    Jul, 2021

  • 无监督动态磁共振成像重建的图像先验

    通过图像恢复和流形发现两个阶段之间的图卷积网络，我们提出了一种新的方案来利用 DIP 先验进行动态 MRI 重建，名为 “图像先验”（GIP）。实验证明，GIP 在不同的采样轨迹上优于压缩感知方法和无监督方法，并显著减少了与最先进的监督深度学习方法之间的性能差距。此外，GIP 在转移到不同的重建设置时显示出更好的泛化能力，无需任何额外的数据。

    Mar, 2024