Mar, 2024

无线电天文学中带有模型不确定性量化的 R2D2 图像重建

PDF
TL;DR这篇研究论文使用 Residual-to-Residual DNN（R2D2）方法进行高动态范围成像，通过集成学习的方式生成多个 R2D2 实例，从而提供了一种同时估计和量化不确定性的功能。结果表明，R2D2 的图像估计能力优于现有算法，计算多个重建样本和不确定性图在大图像尺寸下也非常实用，并且模型的不确定性非常低。
residual-to-residual dnnhigh-dynamic range imagingradio-interferometric imagingensemble averaginguncertainty quantification
发现论文，激发创造
  • R2D2：无线电天文学中用于近实时高动态范围成像的深度神经网络系列

    用于射电干涉测量中高分辨率、高动态范围综合成像的一种新的人工智能方法。该方法基于混合深度神经网络（DNN）和数据一致性更新，通过将重建视为一系列以前一次迭代的残差脏图像作为输入的 DNN 的输出的残差图像来建立。该方法能够以较少的项提供高精度成像，并且在计算效率上比其他算法更快。

    Sep, 2023

  • R2D2 深度神经网络系列模型用于射电天文学中的快速精确成像

    通过引入一种深度学习方法，命名为 “高动态范围成像的残差到残差 DNN 系列”，解决了高分辨率高动态范围反问题的可扩展性挑战，同时提供了快速精确成像的能力。

    Mar, 2024

  • 可扩展的非笛卡尔磁共振成像方法: R2D2

    基于非笛卡尔磁共振图像重建的 Residual-to-Residual DNN 系列 (R2D2) 方法，利用分层残差图像的迭代估计形成多层 DNN 输出，从而实现可扩展且优于传统 PnP 方法的重建质量。

    Mar, 2024

  • 3D-R2N2：单视角和多视角三维物体重建的统一方法

    使用深度学习方法，构建一个名为 3D-R2N2 的递归神经网络结构，使用大量的合成数据将图像映射到对应的 3D 形状，无需图像注释或对象分类标签，可以在缺乏纹理或宽基线的情况下，实现对象的 3D 重建，并在单视图重建方面优于现有的最先进方法。

    Apr, 2016

  • R2-D2: 半监督深度学习的重复预测深度解码器

    本文提出了一种基于端到端框架的半监督深度学习（Deep SSL）方法，通过证明伪标签与网络预测之间的关系具有指数联系，为在深度学习范式中使用预测作为伪标签提供了理论支持；本文进一步证明了通过网络预测更新伪标签会使它们变得不确定，为此提出了一种名为 “重复预测” 的训练策略。 最后，在大规模 ImageNet 数据集上测试了所提出的 R2-D2 方法，并优于现有技术方法 5 个百分点。

    Feb, 2022

  • DR2-Net: 基于深度残差重建网络的图像压缩感知

    提出基于深度残差网络的压缩感知图像重构算法 DR$^{2}$-Net，通过两个观察，即线性映射可以重建高质量的初步图像，残差学习可以进一步提高重建质量。DR$^{2}$-Net 由线性映射网络和残差网络两个组件构成，实验结果表明其在压缩感知图像重建上胜过传统迭代方法和现有的深度学习方法。

    Feb, 2017

  • Res-U2Net：用于相位恢复和图像重建的未训练深度学习

    使用未经训练的 Res-U2Net 模型进行相位恢复，并利用提取的相位信息确定物体表面的变化，并生成其三维结构的网格表示。与 GDXRAY 数据集中的 UNet 和 U2Net 相比较，对 Res-U2Net 相位恢复方法的性能进行了比较。

    Apr, 2024

  • 基于不确定性感知的零空间网络用于数据一致图像重建

    本文提出了一种结合深度网络和不确定性量化的反问题求解方法，旨在通过估算与输入相关的比例映射来评估重建质量，并成功地在医学成像领域等多个应用中实现了图像重建与加速 MRI 重建等挑战性任务。

    Apr, 2023

  • 低剂量计算机断层扫描重建的旋转增益噪声 2 反问题

    本研究提出一种新颖的自监督方法，用于低剂量计算机断层扫描（LDCT）重构，结果表明该方法在降低剂量的情况下能够在 CT 图像质量方面取得更好的效果。

    Dec, 2023

  • 实时三维近场 MIMO 雷达成像的高效基于物理的学习重建方法

    通过开发深度学习重建方法，我们为实时近场多输入多输出（MIMO）雷达成像系统提供了一种新颖的非迭代重建方法，旨在在压缩设置下以较低的计算成本实现高质量图像。

    Dec, 2023