学习波基成像中的几何
图像与视频处理
2020-11-11 v3 机器学习
摘要
我们提出一种用于波基成像问题的通用基于物理的深度学习架构。在具有变化背景波速的成像问题中,一个关键困难在于介质根据其位置和方向以不同方式“弯曲”波。这种空间弯曲几何使得卷积网络对平移的等变成为一种不期望的归纳偏置。我们构建了一种受傅里叶积分算子(FIOs)启发的可解释神经架构,其近似波物理。FIOs 建模了广泛的成像模态,从地震学到雷达,再到多普勒与超声。我们聚焦于通过基于最优传输的损失来学习由 FIOs 捕获的、隐含于数据中的波传播几何。所提出的 FIONet 在若干成像逆问题上显著优于常规基线,尤其在分布外测试中。
引用
@article{arxiv.2006.05854,
title = {Learning the geometry of wave-based imaging},
author = {Konik Kothari and Maarten de Hoop and Ivan Dokmanić},
journal= {arXiv preprint arXiv:2006.05854},
year = {2020}
}
备注
Accepted as spotlight presentation to NeurIPS '20