Mar, 2024

有限孔径反散射问题的深度分解方法

PDF
TL;DR本文探讨了一个针对有限孔径下逆障碍散射问题的深度学习方法，该方法通过提供与散射模型相关的物理算子给神经网络架构来实现深度学习在逆问题上无需标记数据并且具有学习意识的可能性。此外，还实施了基于深度学习的数据补全方案，以防止有限孔径数据导致逆问题解的失真。此外，DDM 不仅解决了逆问题本身的不适定性，还是一种具有解释性特性的物理意识机器学习技术。DDM 的收敛性结果已从理论上得到证明。数值实验展示了即使入射和观测孔径极其有限，所提出的 DDM 仍然有效。
deep learninglimited aperture inverse obstacle scattering problemdeep decomposition methoddata completion schemeinterpretability property
发现论文，激发创造
  • 逆问题的深度分解学习

    本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

    Nov, 2019

  • 一种基于直接采样的深度学习逆向介质散射问题方法

    本文提出了一种基于直接采样的深度学习方法，通过 U-Net 神经网络和多个采样数据，实现了对不均匀介质散射体的高质量重构。经过测试，在不同噪声水平下，该方法表现出很好的稳健性和高效性。

    Apr, 2023

  • 深度本征图像分解的重新审视

    该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

    Jan, 2017

  • 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

  • 基于物理字典的稀疏信号分解驱动的深度神经网络求解反问题

    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

  • 通过深度学习实现对于层析成像逆问题的几乎精确恢复

    本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

    Jun, 2022

  • 使用迭代深度神经网络解决不适定的反问题

    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

  • 深度学习与反问题

    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

  • 基于深度学习的无镜头计算成像技术

    本文首次证明了深度神经网络可用于计算成像中的反问题，并通过训练 DNN 成功地在无镜成像系统中恢复出相位物体。

    Feb, 2017

  • 深度数据一致性：基于快速和健壮扩散模型的逆问题求解器

    通过深度学习模型，在扩散模型中使用深度数据一致性更新数据一致性步骤，以解决逆问题的研究论文。DDC 方法在线性和非线性任务中表现出卓越的性能，在仅使用 5 个推理步骤的情况下，平均 0.77 秒生成高质量解决方案，并且具有对于数据集的稳健性和解决多个任务的能力。

    May, 2024