用于 MR 图像重建的生成密度先验同伦梯度
图像与视频处理
2021-02-02 v2 计算机视觉与模式识别
摘要
深度学习，尤其是生成模型，近来在减少测量次数以显著加速图像重建方面展现出巨大潜力。与现有常优化密度先验的生成模型不同，本工作利用去噪得分匹配，提出用于磁共振成像（MRI）重建的生成密度先验同伦梯度（HGGDP）。更确切地说，为解决生成密度先验中的低维流形与低数据密度区域问题，我们在更高维空间中估计目标梯度。我们在训练阶段通过将高维张量作为网络输入，训练了一个更强大的噪声条件得分网络。在嵌入空间中也注入了更多人工噪声。在重建阶段，采用同伦方法以逼近密度先验，从而提升重建性能。实验结果表明，HGGDP 在重建精度方面性能卓越；仅 10% 的 k 空间数据仍能有效生成高质量图像，效果等同于全采样数据的标准 MRI 重建。
引用
@article{arxiv.2008.06284,
title = {Homotopic Gradients of Generative Density Priors for MR Image Reconstruction},
author = {Cong Quan and Jinjie Zhou and Yuanzheng Zhu and Yang Chen and Shanshan Wang and Dong Liang and Qiegen Liu},
journal= {arXiv preprint arXiv:2008.06284},
year = {2021}
}