Feb, 2024

变分和机器学习逆问题方法的稳健性和探索性研究综述

PDF
TL;DR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。
发现论文，激发创造
  • 计算成像反问题的变分推断

    本文介绍了一种新的框架，基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断，使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点，并在两个实验光学设置中应用：全息图像重建和通过高度散射介质成像。在两种设置中，都用很少的训练数据，达到了最先进的重建效果。

    Apr, 2019

  • 成像中逆问题的深度学习技术

    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

  • 使用深度神经网络解决反问题 -- 鲁棒性是否包含？

    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

  • 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

  • 逆问题的现代正则化方法

    本文综述了现代非线性正则化方法的发展，包括变分方法、图像处理和学习理论等，重点讨论其分析、应用和未来研究问题。

    Jan, 2018

  • 深度学习方法解决线性反问题：研究方向和范式

    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

  • 深度学习图像重建的鲁棒性改进

    本文提出了一种改进深度神经网络逆问题求解器的训练策略，通过使用一种辅助网络来生成对抗样本，并使用 min-max 公式构建稳健的图像重建网络，从而提高了对反重建技术的鲁棒性。通过针对两个不同数据集的压缩感知重建的实验，得出了对训练网络增加扰动的影响在病态和良好的测量矩阵中呈现定性的差异的结论。

    Feb, 2020

  • 基于最优输运和凸分析的成像反问题的无监督方法

    无监督深度学习在图像处理领域中日益成为研究的关键，能够通过学习表达丰富且强大的重构操作符来解决高质量训练数据稀缺的问题。本文回顾了基于最优运输和凸分析的理论上有依据的无监督学习方案，重点介绍了基于循环一致性模型和学习对抗规则化方法等具有明确概率解释的最优运输无监督方法。另外，对于加速图像逆问题求解的可证明收敛学习优化算法及其专用无监督训练方案进行了概述，并调查了基于梯度步骤深度降噪器的可证明收敛插放学习算法，这是应用广泛且最重要的无监督图像处理方法之一。最后，总结了一些与重点方案相辅相成的相关无监督学习框架，并提供了基于数学原理的详细综述，使我们的讨论更加自包含。

    Nov, 2023

  • 小数据集学习：图像重建中的基于图块的正则化器

    借助深度神经网络，本文研究了解决小数据集的逆问题，集中在将基于模型的方法与数据驱动方法相结合，通过逼近图像先验对全局经验分布的 Wasserstein 差异进行判罚及最大对数似然进行最优化，实现了贝叶斯逆问题的不确定性量化，并在计算机断层摄影、图像超分辨率和修复领域取得了高质量的结果。

    Dec, 2023

  • 大规模逆问题的随机优化指南

    概述随机优化算法在逆问题方面的最新研究，包括随机问题的多种问题模态和算法修改，以及其在逆成像问题领域带来的优势和劣势。

    Jun, 2024