多通道成像中高效卷积正向建模与稀疏编码
信号处理
2024-07-19 v2
摘要
本研究考虑传统多通道正向模型矩阵中固有的Block-Toeplitz结构属性，以超声测试中的Full Matrix Capture (FMC) 作为案例研究。我们提出一种解析卷积正向模型，将反射率图转化为FMC数据。我们的发现表明，卷积模型在计算效率和存储要求方面优于其基于矩阵的方法。这种加速的正向建模方法在各种逆问题中都具有重要潜力，显著增强了在LASSO回归上下文中的稀疏信号恢复 (SSR)，这促进了高效卷积稀疏编码 (CSC) 算法的实现。此外，我们探索了将卷积神经网络 (CNN) 用于正向模型的集成，采用深度展开来实现所谓的Learned Block Convolutional ISTA (BC-LISTA)。
引用
@article{arxiv.2403.09505,
title = {Efficient Convolutional Forward Modeling and Sparse Coding in Multichannel Imaging},
author = {Han Wang and Yhonatan Kvich and Eduardo Pérez and Florian Römer and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2403.09505},
year = {2024}
}
备注
5 pages, 7 figures, accepted by EUSIPCO-2024