基于几何依赖与物理模型的逆图像重建学习
图像与视频处理
2022-10-07 v1 机器学习
摘要
深度神经网络在欧氏空间中的图像重建问题中已展现出巨大潜力。然而，许多重建问题涉及的成像物理依赖于底层的非欧几何。在本文中，我们提出一种利用底层几何与物理学习逆成像的新方法。我们首先引入一个非欧编码-解码网络，使我们能够在各自的几何域上描述未知变量和测量变量。然后，我们通过在两个几何的图形嵌入上显式建模二部图，学习两个域之间依赖几何的物理。我们将所提出的网络应用于从体表电位重建心脏表面的电活动。在一系列难度递增的泛化任务中，我们展示了与欧氏替代方案相比，所提出的网络在跨数据底层几何变化泛化方面的能力提升。
引用
@article{arxiv.2007.09522,
title = {Learning Geometry-Dependent and Physics-Based Inverse Image Reconstruction},
author = {Xiajun Jiang and Sandesh Ghimire and Jwala Dhamala and Zhiyuan Li and Prashnna Kumar Gyawali and Linwei Wang},
journal= {arXiv preprint arXiv:2007.09522},
year = {2022}
}