用于快速有限视角光声层析成像的模型校正学习型原始对偶模型

学习型迭代重建在加速层析成像方面具有巨大潜力，并对模型扰动具有经验性的鲁棒性。然而，光声层析成像的应用受到需反复评估计算昂贵的正向模型的阻碍。使用快速近似模型可获得计算可行性，但随之产生了补偿模型误差的需求。在本工作中，我们通过将模型校正嵌入学习型原始对偶框架，推进了学习型图像重建中模型校正的方法论与理论基础。其中，模型校正与图像空间中的学习型更新算子在一个展开式的端到端学习型迭代重建方法中于数据空间联合学习。所提出的公式可扩展至原始对偶深度平衡模型，提供不动点收敛并降低训练内存需求。我们借助真实二维有限视角设置下的数值验证，对所提模型给出了理论与经验见解。模型校正学习型原始对偶方法展现出优异的重建质量与快速推理时间，从而为光声层析成像中具备实时能力与可扩展的迭代重建提供了方法论基础。