该研究提出了一种新方法来评估光学成像技术,该方法基于可逆神经网络的概念,将多光谱测量映射到全概率分布中以表示解的不确定性,可以帮助优化光学相机设计。
Mar, 2019
本文介绍了一种远程面部信号分析的新方法,应用了神经网络和自监督训练进行无监督学习,利用对感兴趣信号的弱先验建模,并成功在四个数据集上进行测试,证明了该方法的可行性和效果。
Nov, 2021
该研究提出了嵌入模型修正的学习原始-对偶框架的方法,为光-acoustic成像的快速迭代重建提供了可行的模型,实现了实时的可扩展,具有较快推理时间和优异的重建质量。
Apr, 2023
该研究介绍了制备成像模型,使光吸收系数的恢复通过深度学习和实验数据来减少证明了深度学习能够提高量化光声成像的可行性。
Jun, 2023
研究开发了一个基于深度学习的框架,利用双模式光声/超声成像系统共享的临床超声探头对声速进行了重建和异常修正,以供准确的光声成像重建,在仿真的 US 数据上经过训练的网络也表现出良好的泛化能力。
通过使用扩散模型,利用“DiffPam”算法来加速光声成像过程。研究发现DiffPam在重构欠采样的光声显微镜图像方面具有可比性,并且无需大量数据集或深度学习模型的训练。这项研究强调了对具有有限人工智能专业知识和计算资源的研究人员来说,DiffPam算法的重要性。
Dec, 2023
用于血流量指数测量的扩散相关光谱技术和机器学习的结合,通过转移学习的方法提高在不同信噪比和临床环境下对血流指数的鲁棒性。
Jan, 2024
提出了一种新的非对抗无监督学习框架,用于从未标记的视频数据中直接提取血容量脉搏,以实现低成本的非接触健康监测,并展示了该框架在调整模型和个性化适应信号回归方面的效果。
Apr, 2024
本研究介绍了一种名为HIS的自监督网络,用于解决有限视角条件下的光声成像逆问题,通过利用全连接神经网络和傅里叶特征位置编码,学习从有限观测中恢复隐式连续函数的高质量光声图像,结果表明HIS模型相对于其他三种常用方法在光声图像重建方面具有优越性。
Jul, 2024
本文针对传统远程光电容积图(rPPG)模型在未见领域的泛化能力差的问题,提出了首个无源领域自适应基准(SFDA-rPPG)。该方法通过采用三分支时空一致性网络(TSTC-Net)和基于频率域瓦瑟斯坦距离(FWD)的新型rPPG分布对齐损失,实现了在无源数据访问的情况下有效的领域自适应,实验结果表明该方法在无源领域自适应设置下的有效性。
Sep, 2024