May, 2024

图像去卷积中学习点扩散函数可逆性评估

PDF
TL;DR本研究提出一种基于深度学习的图像去卷积方法，通过使用神经网络将点扩散函数（PSF）映射到单位冲激响应上，并通过对比映射后的 PSF 与单位冲激响应的差异来评估 PSF 适用于深度学习辅助去卷积的可能性，研究发现该方法在提高去卷积质量方面表现出良好的性能，可用于设计衍射光学元件和优于传统框架。
deep-learningimage deconvolutionpoint spread functionmetricneural network
发现论文，激发创造
  • 星系图像的概率反卷积扩散模型

    基于条件扩散模型的星系图像 PSF 解卷积方法，相较条件变分自动编码器有更多样化的解卷积结果。

    Jul, 2023

  • 基于点扩散函数正则化和主动学习的图像恢复

    通过深度学习的图像修复算法与高保真度望远镜模拟器相结合的新型图像修复算法，可以有效增强模糊图像的细节结构，提高观测图像的质量，用于大规模天文巡天数据的信息提取，推动天文研究领域的进展。

    Oct, 2023

  • PI-AstroDeconv：一种物理信息引导的无监督学习方法用于天文图像去模糊

    在天文望远镜的成像过程中，波束或点扩散函数（PSF）的反卷积是一项关键任务。我们提出了一种无监督网络结构，利用先前的物理信息实现图像反卷积和重构，通过引入加速的快速傅里叶变换（FFT）卷积实现对高分辨率输入图像和 PSF 的高效处理。通过比较分析对自编码器（AE）和 U-Net 等各种经典回归网络进行了综合性能评估。

    Mar, 2024

  • 自监督单图像去卷积与连体神经网络

    使用快速傅里叶变换卷积解决在图像重建中的反问题，并采用自监督无视点神经网络和深度学习方法改进了已有的图像重建方法。

    Aug, 2023

  • 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

  • 通过深度卷积神经网络学习反演：信号恢复

    本研究致力于解决压缩感知中遇到的两个挑战问题：真实数据在固定基下不是稀疏的；当前的高性能恢复算法收敛速度慢，这限制了压缩感知的应用。通过使用深度卷积神经网络，我们开发了一个名为 DeepInverse 的新信号恢复框架，从测量向量学习逆变换，解决了这两个挑战问题，并取得了实验结果上的成功表现。

    Jan, 2017

  • 使用深度学习从点扩散函数和扩展图像直接预测泽尼克系数

    使用卷积神经网络直接从两到三个相位多样性光学图像中预测泽尼克系数，对光学像差进行表征，以实现快速准确的相位多样性方法，为真实数据集的评估铺平了道路。

    Apr, 2024

  • 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

  • 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

  • DiriNet：用于估计空间和光谱退化函数的网络

    本研究使用 Dirichlet 网络和正则化方法，首次对高光谱和多光谱图像融合中的空间和光谱退化函数进行了估计，并通过图像处理实验表明了该方法的有效性和卓越性能。

    Jan, 2022