May, 2024

基于评分的生成先验引导的 MRI 重建模型驱动网络

PDF
TL;DR使用 Langevin 动力学的得分匹配（SMLD）方法已成功应用于加速 MRI。本研究提出一种新的工作流，将 SMLD 结果作为额外的先验来指导模型驱动的网络训练，通过引入预训练的网络和去噪模块，有效改善 PGI 的质量，并设计一个模型驱动的网络，在低质量的 PGI 中提取有价值的信息来指导网络训练，以减轻幻觉伪影，获得稳定和高质量的重建结果。
score matching with langevin dynamicsaccelerated mrihallucination artifactsmodel-driven network trainingdenoising module
发现论文，激发创造
  • 基于分数的扩散模型用于加速 MRI

    该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。

    Oct, 2021

  • 对抗性得分匹配与改进抽样技术在图像生成中的应用

    本文提出了两种改进 Denosing Score Matching with Annealed Langevin Sampling（DSM-ALS）的技术：1）一致退火采样，作为比退火采样更稳定的替代方案，2）混合训练，由去噪分数匹配和对抗目标组成。通过这两种技术的结合，本文得到了与 CIFAR-10 图像生成的最新成果相当的结果。

    Sep, 2020

  • 基于得分的生成建模方法及临界阻尼 Langevin 漫步

    通过引入一种新的，临界阻尼 Langevin 扩散，该文提出一种基于分数的生成模型框架，它可以更轻松地学习条件分布的速度得分函数，这比直接学习数据分数函数要容易得多，并用于高分辨率图像合成任务。

    Dec, 2021

  • 基于评分引导的中间层优化：逆问题中的快速 Langevin 混合

    通过 Langevin 算法，我们扩展了 Hand 和 Voroninski 的工作，从有效的反演到有效的后验采样，并在 latens space 架构的生成模型中提出了 SGILO 方法，在低测量范围内，取得了极大的改进。

    Jun, 2022

  • 具有深度生成先验的鲁棒压缩感知 MRI

    本文成功应用了 CSGM (Bora-Jalal-Price-Dimakis'17) 框架于临床 MRI 数据上，通过训练大脑扫描图像来生成先验分布，进而使用 Langevin 动态采样实现高质量的重建，在实验中表现出对真实分布和测量过程的鲁棒性。

    Aug, 2021

  • 通过估计数据分布梯度的方式进行生成建模

    本文介绍了一种新的生成模型，利用评分匹配来估计数据分布的梯度，通过 Langevin 动力学生成样本。我们的框架使得模型架构更加灵活，无需在训练期间进行抽样或使用对抗性方法，提供了可用于基于原则的模型比较的学习目标。在 MNIST、CelebA 和 CIFAR-10 数据集上，我们的模型产生的样本与 GAN 相当，实现了 CIFAR-10 inception 得分的新的最先进水平为 8.87。此外，我们通过图像修补实验证明了我们的模型学习到了有效的表示。

    Jul, 2019

  • 基于得分的生成模型与自适应动量

    通过引入适应性动量采样，有效加速了转换过程，同时在小样本步骤中产生更加逼真的图像 / 图表，并在图像和图表生成任务中获得了有竞争力的评分。

    May, 2024

  • 通过 Langevin 动力学和生成式先验实现可证明的压缩感知

    本文研究了在压缩感知中使用深度生成模型以及通过随机梯度 Langevin 动力学方法实现收敛的性质，并证明了该方法的实验性能与标准的梯度下降方法相当。

    Feb, 2021

  • 基于分数先验引导的深度变分推断方法用于无监督的实际场景单图像去噪

    通过引入得到易用的最小 MSE 非独立同分布高斯去噪器和变分采样，我们提出了一种得分先验引导的深度变分推理方法 ScoreDVI，用于实际场景的去噪。同时，我们利用非独立同分布高斯混合模型和变分噪声后验建模来适应实际场景噪声，并实现多个图像先验和变分图像后验的逐像素融合。此外，我们还开发了一个噪声感知的先验分配策略，动态调整优化中图像先验的权重。我们的方法在实际场景的单图像去噪中表现优于其他方法，且与基于数据集的无监督方法具有相当的性能。

    Aug, 2023

  • 增强结构化分布学习的非线性降噪得分匹配

    提出了一种新颖的训练基于分数的生成模型的方法，通过非线性加噪动力学改进结构化分布的学习，从而使其更好地适应数据，在数据预处理步骤中获取结构并引入了两种方法解决非线性动力学训练带来的挑战，展示了该方法在几个示例上的有效性。

    May, 2024