用于压缩感知光声层析成像的 NETT 正则化
数值分析
2024-12-20 v1 数值分析
摘要
我们讨论了压缩感知光声层析成像(CS-PAT)中几种图像重建方法。特别地，我们首次将 [H. Li, J. Schwab, S. Antholzer, and M. Haltmeier. NETT: Solving Inverse Problems with Deep Neural Networks (2018), arXiv:1803.00092] 中基于学习正则化器的深度学习方法应用于 CS-PAT 问题。我们提出了一种 NETT 的网络架构与训练策略，期望其也能用于其他反问题。所有算法在模拟数据上进行了比较与评估，并使用两类不同体模的实验数据进行了验证。结果一方面表明深度学习方法具有巨大潜力，另一方面也显示需大量未来工作以提升其在真实数据上的性能。
引用
@article{arxiv.1901.11158,
title = {NETT Regularization for Compressed Sensing Photoacoustic Tomography},
author = {Stephan Antholzer and Johannens Schwab and Johannes Bauer-Marschallinger and Peter Burgholzer and Markus Haltmeier},
journal= {arXiv preprint arXiv:1901.11158},
year = {2024}
}