用于稀疏视角CT图像重建的条件生成隐空间优化
计算机视觉与模式识别
2024-05-01 v3 图像与视频处理
摘要
计算机断层扫描（CT）是成像逆问题的一个突出例子，凸显了在数据退化设置（如稀疏X射线投影）中数据驱动方法的无与伦比的性能。尽管很大比例的深度学习方法受益于大型监督数据集，但它们无法泛化到新的实验设置。相比之下，完全无监督技术，尤其是基于分数的生成模型，最近已展示出与监督方法相似或更好的性能，同时在测试时具有灵活性。然而，它们的用例有限，因为需要大量训练数据才能具备良好的泛化特性。另一种利用深度卷积网络隐式自然偏置的无监督方法Deep Image Prior（DIP）最近已被改进用于通过重新参数化重建问题来求解稀疏CT。尽管该方法不需要任何训练数据集，但与数据驱动方法相比，它对重建施加了较弱的先验。为了填补这两种策略之间的空白，我们提出了一种无监督的条件化生成隐空间优化框架（cGLO）。与DIP类似，cGLO无需任何训练数据集，即可受益于解码器网络的结构偏置。然而，由于通过同一解码器网络同时重建的多个切片之间共享似然目标的作用，先验被进一步增强。此外，解码器的参数可以在一个无监督的、甚至非常小的训练集上初始化以提升重建效果。所得方法在全剂量稀疏视角CT上使用不同大小的训练数据集和不同数量的视角进行了测试。
引用
@article{arxiv.2307.16670,
title = {Conditioning Generative Latent Optimization for Sparse-View CT Image Reconstruction},
author = {Thomas Braure and Delphine Lazaro and David Hateau and Vincent Brandon and Kévin Ginsburger},
journal= {arXiv preprint arXiv:2307.16670},
year = {2024}
}