Apr, 2024

分布式随机优化神经表示网络用于时空层析重建

PDF
TL;DR使用分布式隐式神经表示 (DINR) 网络进行 4D 时间空间重建的新方法，通过迭代优化网络参数，以使测量的投影图像最符合 CT 前向测量模型的输出。
4d time-space reconstructionx-ray computed tomographydistributed implicit neural representationct forward measurement modeldistributed stochastic training algorithm
发现论文，激发创造
  • 鲁棒联合稀疏视图 CT 重建的隐式神经表示

    通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

    May, 2024

  • 通过合成数据上的深度端到端学习实现有限角度层析重建

    基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。

    Sep, 2023

  • 利用隐式神经表示和参数化动作场进行有限视角下的动态 CT 重建

    本研究提出了一种基于隐式神经表示和基于参数的运动场形变的重建流程，用于快速变形场景的有限视角 4D-CT 重建，并演示了其对周期性运动的重建能力和对现有最先进技术的验证。

    Apr, 2021

  • 基于卷积网络辅助重建 Swin Transformer 的动态 MRI 重建学习

    提出了一种名为 Reconstruction Swin Transformer (RST) 的新型架构，用于 4D MRI 重建，该架构继承了视频 Swin Transformer 的骨干设计，并引入了新的重建头部来恢复像素级强度，通过在卡片 4D MR 数据集中的实验结果进一步证实了 RST 的优越性。

    Sep, 2023

  • 无监督密度神经表征用于 CT 金属伪影抑制

    提出一种新的无监督密度神经表示（Diner）方法来解决包含金属时 CT 金属伪影问题，通过引入与能量相关的彩色 CT 正演模型和使用密度作为中间变量，Diner 能够准确重建 X 射线测量中的线性衰减系数。实验证实了 Diner 在金属伪影降低性能和鲁棒性方面优于常见的有监督技术。

    May, 2024

  • DPER: 基于扩散先验的限角度和稀疏视图 CT 重建的神经表征

    通过采用 Diffusion Prior Driven Neural Representation (DPER) 方法，本研究在解决计算机断层扫描（X-ray CT）重建问题中取得了显著的性能提升，有效应对了限角和稀疏视图场景下数据获取不完整、图像重建过程中出现多样化伪影的挑战。

    Apr, 2024

  • 通过演化模型的后验采样，基于隐式神经表示的高加速 MRI

    使用基于隐式神经表示的后验采样方法（DiffINR），该方法能在高加速因子下实现逼真精确的扫描成像重建，并且可以将其推广应用于其他医学影像任务。

    Jul, 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

  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

    Dec, 2020

  • 利用隐式神经网络从稀疏观测中持续场重构

    本研究采用隐式神经表示方法，从稀疏的传感器数据中可靠地重构物理场。通过将时空变化分解为空间和时间分量，并利用因变量分离技术从稀疏采样的不规则数据点中学习相关基函数，从而发展出数据的连续表示。在实验评估中，该模型在模拟数据和卫星海面温度数据集上表现出优越的重构质量，超过了最近的隐式神经表示方法。

    Jan, 2024