用于逆问题的内存高效深度端到端后验网络 (DEEPEN)
图像与视频处理
2024-02-09 v1 计算机视觉与模式识别
摘要
端到端 (E2E) 展开优化框架在磁共振 (MR) 图像恢复方面显示出前景，但在训练过程中存在内存占用高的问题。此外，这些确定性方法无法提供从后验分布中采样的机会。在本文中，我们介绍了一种用于后验分布 E2E 学习的内存高效方法。我们将该分布表示为由数据一致性诱导的似然项与由卷积神经网络 (CNN) 参数化的先验能量模型的组合。CNN 权重使用最大似然优化以 E2E 方式从训练数据中学习。学习到的模型能够利用最大后验 (MAP) 优化从欠采样测量中恢复图像。此外，可以对后验模型进行采样以推导关于重建的不确定性图。并行 MR 图像重建的实验表明，我们的方法性能与内存密集型的 E2E 展开算法相当，优于其内存高效对应物，并且能够提供不确定性图。我们的框架为 3D 及更高维度的 MR 图像重建铺平了道路。
引用
@article{arxiv.2402.05422,
title = {Memory-efficient deep end-to-end posterior network (DEEPEN) for inverse problems},
author = {Jyothi Rikhab Chand and Mathews Jacob},
journal= {arXiv preprint arXiv:2402.05422},
year = {2024}
}