- 一种基于期望最大化算法的从损坏观测中训练清洁扩散模型
本文提出一种基于期望最大化 (EM) 方法的 EMDiffusion 训练扩散模型的方法以从损坏的观测中恢复图像,通过该方法,我们在各种计算成像任务上进行了广泛实验,包括随机修补、降噪和去模糊,达到了新的最先进性能。
- 利用测试时间训练克服插拔式方法中的分布偏移
提出了 PnP-TTT 这种新方法来克服 PnP 方法中的分布偏移问题,通过在 PnP 迭代的固定点上优化自监督损失来应用于单个测试样本以改善 PnP 的泛化能力。模拟实验表明,在测量次数足够的情况下,PnP-TTT 可以使用在自然图像上训 - CVPR利用编码孔径和事件实现高效光场采集
我们提出了一种利用编码孔径和事件相机结合的计算成像方法,通过在单次曝光中应用一系列编码模式来记录视差信息,并使用图像帧和事件共同计算重建光场的算法流程,该方法可在单次曝光中实现比其他成像方法更准确的重建,并且在相机上能够以 22 毫秒内完成 - 以物理推动的生成对抗网络赋能单像素红外高光谱成像
通过物理驱动型生成对抗网络(GAN),整合了单像素红外高光谱成像(HSI)的物理过程,并利用真实和估计的一维桶信号作为目标函数的约束条件来更新网络参数并优化生成器,从而实现了更高的成像性能但需要更少的测量次数。我们相信这一物理驱动型 GAN - 关于无需训练数据的图像重建不确定性的量化
计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架,利用深度生成模型来学习近似后验分布,以有效量化图像重建的不确定性,无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不 - 深度学习在相位恢复中的应用
相位恢复通过强度测量计算光场的相位。近年来,深度学习在计算成像领域提供了前所未有的支持,用于解决各种相位恢复问题。本综述介绍了传统相位恢复方法,探讨了深度学习在预处理、处理和后处理三个阶段以及相位图像处理中的应用,并总结了深度学习在相位恢复 - 具有 PSF 感知机制的极简和高质量全景成像的转换器
本文提出了全景计算成像引擎(PCIE)来解决高质量全景成像问题,利用自注意力计算和特征提取来设计 PSF 感知像差图像恢复变压器(PART),并在 MPIP 和 PALHQ 数据集实现了超分辨率和像差校正的两个流水线,从而在全景成像方面取得 - 2DeteCT -- 一份用于机器学习的大型二维可扩展、可训练、实验性计算机断层扫描数据集
提供一个适用于开发机器学习技术的、用于 X 射线计算机体层扫描的二维测角 CT 数据集,通过高分辨率的光线,扫描了具有形状和密度自然变异的样本共计5000 个切片,并提供原始投影数据、参考重建和基于开源数据处理管道的分段。
- 基于分数的扩散模型作为反向成像的原则先验
本文提出了将基于分数的扩散模型转化为原则性先验(`` 基于分数的先验 ')来分析给定测量的后验图像的方法。实验结果表明,基于分数的先验使得数据驱动图像先验的归纳推理变得更加精细。
- 具有收敛性和稳健性保证的存储效率模型的深度学习
介绍一种记忆效率高、具有计算成像和深度学习特性的算法,该算法利用了先前压缩感知算法提供的独特性、收敛性和稳定性特点,使用循环梯度下降和共轭梯度算法交替应用以实现数据一致性,同时模拟了单调卷积神经网络的得分函数,保证了输出唯一性和收敛性,而且 - 大规模相位恢复
本文介绍了一种高效且具有强大泛化能力的大规模相位恢复技术,其使用交替投影算法和增强的神经网络分别处理测量和统计优化问题,有效地弥补了各个操作符的缺点,并在计算成本较低的前提下实现了大规模相位恢复,被应用于计算相位成像中的各种模态并验证了其优 - 成像反问题的模型适应
探究如何在不知道正向模型改变详情的情况下,使用简单的模型适应方法,使得深度神经网络在计算成像的各种逆问题中,包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面,取得实证成功。
- 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。
- I-HAZE: 一个真实室内有雾和无雾图像的去雾基准测试
介绍了一个新的数据集 - I-HAZE,包含由真实雾气生成的 35 对室内图像,便于比较图像去雾算法的表现。
- prDeep:一种具有灵活深层网络的强健相位恢复方法
本文介绍了一种新的相位恢复算法 prDeep,利用正则化去噪框架和卷积神经网络去噪器,使得该算法具有鲁棒性并且广泛适用于各种系统模型,通过模拟测试和验证表明其能够应对噪声并且可以处理多种系统模型。
- 使用相同的编码 - 解码 CNN 结构的深度 BCD-Net 进行迭代图像恢复
本文探讨了极端计算成像的问题,引入卷积神经网络等新方法,提高了图像复原的准确性和速度。
- 全彩色计算成像的元表面光学
本文介绍了一项将计算成像和超表面光学原理相结合的研究,旨在构建一个具有单个金属透镜的系统,以实现在白光照明下的成像和消除色差像差。该金属透镜表现出一个光谱不变的点扩散函数,可以通过单个数字滤波器重建捕获的图像,同时减少像差和缩小成像系统的光 - 使用单像素、单光子探测器的神经网络识别被遮挡人体
使用单光子和单像素探测器结合人工神经网络非扫描地全三维检索墙壁后的物体,可同时提供被检测人的位置和身份,从而实现计算成像的新颖功能并大大简化了硬件和处理时间。
- 多模态图像的在线卷积字典学习
本文提出了一种结合卷积组稀疏表达和总变差正则化的多模式图像重建方法,利用不同模式之间的冗余信息实现高质量的图像重建,并通过在线算法实现了卷积词典的非监督学习。该方法在联合强度 - 深度成像应用中取得了良好的效果。
- 深度先验展开优化
本文提出了一种使用深度先验知识进行解决图像重建问题的框架,该框架在去噪、去模糊以及磁共振成像的压缩感知等多种成像问题上实现了较大幅度的性能提升,并通过实验进一步解释了其优越性。