可微分移位变异滤波反投影模型的可压缩性分析
计算机视觉与模式识别
2025-01-22 v1 图像与视频处理
摘要
可微分移位变异滤波反投影（FBP）模型能够实现针对任意非圆形轨迹的锥形CT（CBCT）数据重建。该方法采用深度学习技术，根据特定轨迹在优化时已知的知识，估计用于重建的冗余权重。然而，计算每个投影的冗余权重仍然计算密集。本文提出了一种基于主成分分析（PCA）的可压缩和优化可微分移位变异FBP模型的新方法。我们对从正弦轨迹投影数据中学习到的冗余权重应用PCA，揭示了原始模型中存在显著的参数冗余。通过将PCA直接集成到可微分移位变异FBP重建管道中，我们开发了一种将冗余权重层参数分解为可训练特征向量矩阵、压缩权重和均值向量的方法。这种创新技术实现了97.25%的参数数量不削弱重建精度的显著压缩。结果，我们的算法显著降低了可微分移位变异FBP模型的复杂度，并大幅提高了训练速度。这些改进使模型在实际应用中更加实用。
引用
@article{arxiv.2501.11586,
title = {Compressibility Analysis for the differentiable shift-variant Filtered Backprojection Model},
author = {Chengze Ye and Linda-Sophie Schneider and Yipeng Sun and Mareike Thies and Andreas Maier},
journal= {arXiv preprint arXiv:2501.11586},
year = {2025}
}