基于域变换流形学习的图像重建
计算机视觉与模式识别
2018-04-18 v1
摘要
图像重建在所有物理和生命科学中的现代成像模态（包括光学、MRI、CT、PET和射电天文学）的实现中起着关键作用。在图像采集期间，传感器在传感器域中对物体的中间表示进行编码，随后通过编码函数的逆变换重建为图像。图像重建具有挑战性，因为逆变换的解析知识可能事先不存在，尤其在存在传感器非理想性和噪声的情况下。因此，标准重建方法涉及用信号处理链中的多个临时阶段来近似逆函数，其组合取决于每种采集策略的细节，并且常需要专家参数调优以优化重建性能。我们在此提出一种统一的图像重建框架，即基于流形近似的自动变换（AUTOMAP），其将图像重建重新表述为数据驱动的监督学习任务，允许传感器与图像域之间的映射从适当的训练数据语料库中浮现。我们使用深度神经网络实现AUTOMAP，并展示其在学习各种MRI采集策略的重建变换中的灵活性，且使用相同的网络架构和超参数。我们进一步证明其沿低维流形稀疏表示变换的效率，导致相比传统手工重建方法对噪声和重建伪影具有更优的免疫能力。除了改进现有采集方法的重建性能外，我们预期随着AUTOMAP和学习型重建方法减轻重建负担，将加速跨模态新采集策略的发现。
引用
@article{arxiv.1704.08841,
title = {Image reconstruction by domain transform manifold learning},
author = {Bo Zhu and Jeremiah Z. Liu and Bruce R. Rosen and Matthew S. Rosen},
journal= {arXiv preprint arXiv:1704.08841},
year = {2018}
}
备注
18 pages, 4 figures