在零空间中学习联邦视觉提示用于 MRI 重建
计算机视觉与模式识别
2023-03-31 v2
摘要
联邦磁共振成像（MRI）重建使多家医院能够分布式协作而无需聚合本地数据，从而保护患者隐私。然而，由不同 MRI 协议导致的数据异构性、本地训练数据不足以及有限的通信带宽不可避免地损害了全局模型的收敛与更新。本文提出一种新算法 FedPR，用于在全局提示的零空间中学习联邦视觉提示以进行 MRI 重建。FedPR 是一种新的联邦范式，它采用强大的预训练模型，同时仅学习并通信具有少量可学习参数的提示，从而显著降低通信成本并在有限的本地数据上取得有竞争力的性能。此外，为应对数据异构引起的灾难性遗忘，FedPR 还更新高效的联邦视觉提示，将本地提示投影到全局提示的近似零空间中，从而抑制梯度对服务器性能的干扰。在联邦 MRI 上的大量实验表明，在给定有限本地训练数据量时，FedPR 以低于 6% 的通信成本显著优于最先进的 FL 算法。
引用
@article{arxiv.2303.16181,
title = {Learning Federated Visual Prompt in Null Space for MRI Reconstruction},
author = {Chun-Mei Feng and Bangjun Li and Xinxing Xu and Yong Liu and Huazhu Fu and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2303.16181},
year = {2023}
}
备注
8 pages, Proceedings of the IEEE/CVF International Conference on Computer Vision