基于监督学习的动态图像采样框架（SLADS）
计算机视觉与模式识别
2017-03-16 v1
摘要
稀疏采样方案有潜力大幅减少图像采集时间，同时减少对样品的辐射损伤。然而，对于稀疏采样方案要有用，重要的是我们能够使用稀疏测量以足够清晰度重建底层对象。在动态采样中，每个新测量位置基于先前测量获得的信息选择。因此，动态采样方案有潜力大幅减少高保真重建所需的测量次数。然而，大多数现有的用于逐点测量采集的动态采样方法往往计算昂贵，因此对于实际应用太慢。本文中，我们提出基于机器学习技术的动态采样框架，称之为监督学习动态采样方法（SLADS）。在SLADS的每一步，目标是找到给定先前测量最大化期望失真减少（ERD）的像素。SLADS很快，因为我们使用简单回归函数计算ERD，并且它准确因为回归函数使用代表特定应用的数据集训练。此外，我们引入在期望失真水平终止动态采样的方法，并将SLADS方法扩展到每步采样像素组。最后，我们在计算生成的合成数据和实验收集数据上展示结果，以证明相对于最先进静态采样方法的显著改进。
引用
@article{arxiv.1703.04653,
title = {A Framework for Dynamic Image Sampling Based on Supervised Learning (SLADS)},
author = {G. M. Dilshan P. Godaliyadda and Dong Hye Ye and Michael D. Uchic and Michael A. Groeber and Gregery T. Buzzard and Charles A. Bouman},
journal= {arXiv preprint arXiv:1703.04653},
year = {2017}
}