NeRF 解决 MRI 重建中的欠采样问题
NeRF-SR 是一种高分辨率、低分辨率输入的新视角综合解决方案,基于神经放射场,利用超采样策略和改进网络,在没有外部信息的情况下,实现了高质量的新视角合成。
Dec, 2021
本文利用深度学习方法,通过对 k 空间数据进行次 - Nyquist 采样策略降维,来提高磁共振成像的速度,并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息,同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性,只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现,只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。
Sep, 2017
我们提出了一种无监督的自适应粗到细框架,通过学习从多维坐标到相应信号强度的映射,有效调整监督信号的比例,从而改善过拟合问题并提高 MRI 重建的整体质量。
Dec, 2023
通过将场景自适应地细分为轴对齐的包围盒,并使用树层次结构方法将较小的 NeRF 分配给不同大小的子空间,该论文提出了一种有效的适应性多 NeRF 方法,以加速针对复杂场景的神经渲染过程,以实现对特定场景部分的精细神经表示。
Oct, 2023
介绍了一种利用基于 MLP 的 NeRFs 及其 proposal network samplers 加速的方法,该方法可以在不改变训练协议或架构的情况下,将所需计算的时间减少了 50%,同时对渲染质量的影响微乎其微。
Jun, 2023
我们提出了一种多空间神经辐射场(MS-NeRF),通过在并行子空间中表示场景的特征场组,以更好地理解神经网络对具有反射和折射性物体的存在的情况,从而实现了对现有 NeRF 方法的增强,且仅需要小的计算开销。在由 25 个合成场景和 7 个具有复杂反射和折射的真实捕捉场景组成的新颖构建数据集上进行的比较表明,我们的方法比现有的单空间 NeRF 方法在渲染复杂光路的镜像对象的高质量场景方面表现显著优于现有的单空间 NeRF 方法。
May, 2023
本研究借鉴神经辐射场(NeRF)的概念,将 SAR 成像机制与神经网络相结合,提出了一种新的 SAR 图像生成模型 SAR-NeRF,它通过自动编码学习了体素的衰减系数和散射强度分布,并在少样本学习任务上实现了较高的分类精度。
Jul, 2023
基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建,相比其他重建方法,在公开 MRI 数据集上表现出更好的性能。
Sep, 2023