克服深度学习中用于线性逆问题的测量不一致性：在医学成像中的应用
图像与视频处理
2021-06-01 v2 计算机视觉与模式识别
信号处理
最优化与控制
摘要
深度神经网络（DNNs）的卓越性能使其目前成为解决线性逆问题的首选方法。它们已被用于超分辨与修复图像，以及重建 MR 和 CT 图像。在这些应用中，DNNs 通过训练数据找到测量值与输入图像之间的映射来反演前向算子。随后期望该映射对测试数据仍然有效。然而，这一框架在测试时引入了测量不一致性。我们表明，这种在医学成像或国防等领域可能至关重要的一致性缺失，与泛化误差密切相关。我们随后提出一种框架，用强制测量一致性的优化算法对 DNNs 的输出进行后处理。在 MR 图像上的实验表明，通过我们的方法强制测量一致性可带来重建性能的大幅提升。
引用
@article{arxiv.2011.14387,
title = {Overcoming Measurement Inconsistency in Deep Learning for Linear Inverse Problems: Applications in Medical Imaging},
author = {Marija Vella and João F. C. Mota},
journal= {arXiv preprint arXiv:2011.14387},
year = {2021}
}
备注
Accepted for publication at ICASSP 2021