- 融合压缩感知与深度信号分离
这篇研究论文探讨了如何将压缩感知和深度学习相结合,利用压缩自编码器实现压缩盲信号分离,进而直接在压缩信号上完成信号分离,而无需解压缩信号。
- 自适应自监督一致性引导扩散模型在加速 MRI 重建中的应用
基于自监督深度学习的压缩感知磁共振成像方法 “自适应自监督一致性引导扩散模型 (ASSCGD)” 提出,用于加速数据采集而无需完全采样的数据集。
- 科学数据压缩的稀疏 L1 自编码器
使用高维稀疏特征表达式通过 L1 正则化的自编码器产生的信息丰富潜在空间,可以有效地用于科学数据压缩,解决高性能分布式计算环境下传输、存储和分析的瓶颈问题。
- 验证神经压缩感知
我们首次开发了自动验证算法生成的可证明正确性的神经网络,在计算任务中,我们使用精确的正确性概念,通过训练和验证,成功地实现了从少于向量维数的测量中回复稀疏向量的任务,并且在问题维度较小的情况下,网络的复杂性可以根据问题难度进行调整,解决了传 - 可逆扩散模型用于压缩感知
本文提出了一种新颖的高效端到端扩散压缩感知方法,使用可逆扩散模型(IDM)从压缩测量恢复原始图像,克服了传统学习范式的限制,超过现有先进的压缩感知网络 2.64dB 的 PSNR 增益并实现 14.54 倍的推理加速。
- 多光谱磁共振波谱成像中基于压缩感知的物质动态时空重建
通过压缩感知(CS)和基于物质基本光谱的部分可分模型,我们提出了一种新方法来从随机欠采样的多光谱磁共振波谱成像(MRSI)数据中重建物质的时空分布。我们利用空时稀疏性和时间平滑性作为先验知识执行 CS,实验结果表明我们的方法能够以极短的时间 - 设计、实施和分析一种压缩感知光声投影成像系统
通过自行开发的压缩感知单元,我们扩展了现有的照片声投影成像系统,实现了特定测量在 16 个线性探测器组中的 CS-PAPI 系统,并且证实了其稀疏恢复能力,数值实验支持了我们的结果。
- Lasso 和 Logistic Lasso 的快速方法
我们提出了一种快速方法来解决压缩感知、Lasso 回归和逻辑回归问题,通过使用主动集方法迭代运行适当的解算器。我们设计了一种更新主动集的策略,相对于单个调用多个解算器,包括稀疏重构的梯度投影(GPSR)、Matlab 的 lassoglm - 基于测量边界的速率自适应图像压缩感知网络
本文提出了一种基于测量上界理论的率自适应图像压缩感知网络 (MB-RACS) 框架,其旨在根据传统测量上界理论自适应确定每个图像块的采样率。此外,我们还提出了一种多阶段率自适应采样策略,通过前几次采样获得的信息顺序调整采样率分配,并使用牛顿 - FROST-BRDF: 快速且稳健的 BRDF 采样技术
通过压缩感知技术中的稀疏表示方法,本论文提出了 Fast and Robust Optimal Sampling Technique (FROST) 用于设计一种能够以最小化恢复误差的方式放置采样方向的压缩采样算子,从而加速 BRDF 材料 - 学习在笛卡尔 MRI 中取样
通过压缩感知和重建算法,优化磁共振成像 (MRI) 的采样轨迹在临床设置中具有潜在作用,提高采样速度并减少成本。
- 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像
本文提出了一种单图像自监督压缩感知磁共振成像框架,能够实现压缩感知估计的深度与稀疏正则化,有效降低结构化压缩感知伪影,提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估,平均峰值信噪比 (PSNR) 提高了 - 动态 MRI 重建中的稳健深度线性误差分解:双重总变差和核范数
本文提出了一种新的鲁棒低秩动态磁共振成像重建优化模型,通过高度欠采样和离散傅里叶变换(DFT),通过添加线性图像域误差分析,减少了噪声并增强了算法的抗干扰能力,在动态磁共振成像序列的空时特征和不同维度之间的互补关系上利用双重总变差(TV)和 - 生成稀疏潜变压缩感知
利用神经网络生成模型进行压缩感知的背景信号重建,并通过模拟数据评估了提出的算法。
- 机器学习的稀疏模型
通过提供稀疏建模和压缩感知的基本理论介绍,讨论了一些有效的方法来恢复优化问题的稀疏解,并介绍了稀疏恢复在稀疏字典学习中的应用。
- 自我监督的可扩展深度压缩感知
提出了一种新颖的自我监督可扩展深度压缩感知方法,称为 SCL 和 SCNet,它不需要 GT,可以处理任意的采样比率和矩阵。实验证明该方法在 1D/2D/3D 信号上取得了显著的效果和优越性能,具有灵活性和泛化能力,可以与最先进的有监督方法 - 基于幅度图像训练的 MRI 重建的生成图像先验
本研究提出了一种从仅包含振幅信息的图像中构建通用且稳健的生成图像先验的工作流程,并将其用于改善图像质量的重建中进行正则化。结果表明,使用复杂图像训练的先验表现优于仅使用振幅图像训练的先验,且基于更大数据集训练的先验具有更高的鲁棒性。此外,相 - 混合变分网络在加速 MRI 重建中的注意力机制
该研究提出了一种基于深度学习的关注力混合变分网络,利用 k 空间和图像域进行学习,能够更好地重建磁共振成像,并在多项重建任务中取得了优异性能。
- 压缩感知:离散优化方法
本文研究了压缩感知问题,提出了一种基于二阶锥的优化方法,该方法在证明一定正则参数条件下与基础凸优化问题等价的前提下,求解具有优良效果的稀疏向量,该方法相较于当前最优方法具有更高的稀疏性和更低的重构误差
- 通过扩散生成模型优化压缩感知磁共振成像采样模式
这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法,并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力,并且在 2D 模式下具有改进的重建效果。