这篇论文主要研究了机器学习和深度学习在逆问题中的应用,特别关注了神经网络和卷积神经网络的使用。
Sep, 2023
本文提出了一种通用框架来训练单个深度神经网络,以解决任意线性反问题,通过提供一个接近算子来实现这一目的,并在压缩感知和像素插值等任务中显示出优越的性能。
Mar, 2017
本文综述了近年来深度学习在解决线性反问题方面的最新进展,包括其在不同领域中的应用、结构化神经网络的设计以及面临的挑战和未来方向。
Jul, 2020
探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用,提出了一种可以用于将不同问题和重建方法分类的分类法,并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。
May, 2020
本研究考虑如何解决一类通用的逆问题,通过使用深度学习等多种方法,通过随机快速生成搜索算法的方式,寻找可能的逆解空间,并通过一个新方法来得到最佳逆解。
Sep, 2020
本文针对深度学习方法在图像重建领域中的应用进行了可靠性研究,通过对受压缩感知、傅里叶和 Radon 重建等问题进行深入分析并量化和定性地比较了深度学习和总变分模型,其结果表明,深度学习模型不仅对统计噪声有抗干扰能力,而且对对抗干扰也能够很好地处理。
Nov, 2020
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
本文概述了目前采用变分方法和机器学习解决成像反问题的方法。重点关注点估计器及其对抗扰动的鲁棒性,并通过数值实验的结果验证了不同方法的鲁棒性和理论保证的实证。此外,还探讨了显式引导数据一致解子空间来满足特定语义或纹理属性的研究。
Feb, 2024
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
提出了一种融合深度神经网络和传统分析方法优势的解决一般反问题的方法,该方法具有较高的可解释性、易于训练,适合于在医学中的应用,具有 MRI 成像参数估计等方面的应用潜力。
Jul, 2021