基于学习的稀疏性与循环注意力的可解释 MRI 去噪与压缩感知
图像与视频处理
2026-02-06 v2 信号处理
摘要
图像内部的非局部自相似性已成为深度学习模型中越来越受欢迎的先验。尽管这些模型在图像去噪方面取得了成功，但由于其黑箱构建方式，仍然在很大程度上缺乏可解释性。我们之前的研究表明，通过展开卷积字典学习算法，可以构建出性能与最先进的黑箱模型相当的可解释的全卷积去噪器（CDLNet）。本文旨在构建一个具有非局部自相似性先验的可解释卷积网络，使其在与黑箱非局部模型相当的性能上。我们展示，这种架构可以通过将 CDLNet 的 L1 稀疏性先验（软阈值）升级为图像自适应的群稀疏性先验（群阈值）来有效实现。 proposed 的学习型群阈值利用非局部注意力，对潜在表示执行空间变相关软阈值。为在大图像上进行有效训练和推理，我们提出了一种新型的循环稀疏注意力。我们在与黑箱非局部深度神经网络和变换器相当的自然图像去噪性能方面取得了竞争成绩。该网络的可解释构建使得其能够直观地扩展到压缩感知 MRI（CS-MRI），从而实现最先进的性能。最后，我们展示了在去噪和 CS-MRI 重建中，对噪声水平不匹配的鲁棒性。
引用
@article{arxiv.2407.18967,
title = {GroupCDL: Interpretable Denoising and Compressed Sensing MRI via Learned Group-Sparsity and Circulant Attention},
author = {Nikola Janjusevic and Amirhossein Khalilian-Gourtani and Adeen Flinker and Li Feng and Yao Wang},
journal= {arXiv preprint arXiv:2407.18967},
year = {2026}
}
备注
13 pages, 8 figures. arXiv admin note: substantial text overlap with arXiv:2306.01950