Jan, 2024

低秩与稀疏分解结合平滑正则化的动态 MRI 重建

PDF
TL;DR本文提出了一种平滑正则化的低秩加稀疏 (SR-L+S) 模型，用于从高度欠采样的 k-t 空间数据中重建动态磁共振成像 (dMRI)，通过在 dMRI 的背景部分上运用低秩和平滑先验以更好地捕捉其全局和局部时空相关结构，从而实现背景部分的精确恢复和更强韧的 dMRI 重建。
low-rank plus sparse decompositiondynamic magnetic resonance imagingreconstructionsmoothness regularizationk-t-space data
发现论文，激发创造
  • 保证张量恢复的低秩性和光滑性融合

    该研究基于张量数据的全局低秩性和局部平滑性，提出了一种新的正则化方法，用于张量数据恢复任务，可以在张量完成和张量鲁棒主成分分析任务中提供精确恢复保证，相较于其他方法具有更好的恢复准确性。

    Feb, 2023

  • 动态 MRI 重建中的稳健深度线性误差分解：双重总变差和核范数

    本文提出了一种新的鲁棒低秩动态磁共振成像重建优化模型，通过高度欠采样和离散傅里叶变换（DFT），通过添加线性图像域误差分析，减少了噪声并增强了算法的抗干扰能力，在动态磁共振成像序列的空时特征和不同维度之间的互补关系上利用双重总变差（TV）和双重核范数（NN）正则化，实现了多维数据的重建精度和时间复杂度上的优于当前五种最先进方法的性能。

    Oct, 2023

  • 背景 / 前景分离的低秩加法矩阵分解：与大规模数据集的比较评估综述

    该论文综述了基于低秩矩阵和稀疏矩阵分解的鲁棒子空间学习和跟踪算法，对现有算法进行了测试和排名，结果表明有 32 种不同的鲁棒子空间学习 / 跟踪方法在背景 / 前景分离中有不同的表现。

    Nov, 2015

  • 基于矩阵补全的深度展开均衡模型在自监督 MRI k - 空间插值中的应用

    通过利用 $k$ 空间数据的固有结构低秩性实现神经网络结构的正则化，并将网络结构约束为非扩张映射，从而保证网络收敛于一个固定点。这个固定点可以根据矩阵完成理论完全重建缺失的 $k$ 空间数据，并在无全采样标签的情况下，验证了我们提出方法的有效性，并证明其在某些场景中表现优于现有的自我监督方法和传统的正则化方法，达到了与监督学习方法相当的性能。

    Sep, 2023

  • InverseSR：使用潜在扩散模型进行脑部 MRI 超分辨率

    利用潜在扩散模型 (latent diffusion model) 配合深度学习方法，提高临床 MRI 扫描的分辨率，为 MRI 重建提供有力的先验信息。

    Aug, 2023

  • 重新思考用于多对比度 MRI 超分辨率的扩散模型

    提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。

    Apr, 2024

  • 基于低秩反卷积的快速无监督张量修复

    通过将 Low-rank Deconvolution（LRD）与微分正则化相结合，提出了一种在信号恢复任务中与 Deep Learning（DL）框架、如 Deep Image Prior（DIP）或 Blind-Spot Networks（BSN）以及其他经典方法相竞争的分析模型，该模型在图像降噪和视频增强等任务中表现出显著的性能，在同时性能较好的同时也拥有较小的计算消耗。

    Jun, 2024

  • 广义线性模型的结构化低秩张量

    一项关于采用张量结构在回归问题中进行系数张量估计的新颖低秩张量模型 (LSR) 的研究，提出了参数估计的块坐标下降算法，并得出了一种在 LSR 张量 GLM 问题中用于估计系数张量的极小极大下界，表明其样本复杂度可能远低于矢量化 GLM。

    Aug, 2023

  • 对称正半定矩阵的迹回归无正则化估计

    本文介绍用于矩阵补全、量子状态重构和压缩感知的迹回归模型。如果底层矩阵为对称半正定 (spd)，且设计满足特定条件，那么优化方法的选择可能不再需要如核范数正则化这类方法，而简单的最小二乘估计法可能与正则化方法相当。

    Apr, 2015

  • 运算学习中平滑稀疏的潜在动力学与加加速度正则化

    通过引入 Jerk 正则化到压缩的潜在空间的学习中，本文介绍了一个连续操作学习框架，该框架为快速准确的时空预测提供了增强的精度和收敛速度，并有助于识别内在的潜在空间坐标。

    Feb, 2024