用于改进重建的参数化水平集增强方法（PaLEnTIR）
数值分析
2024-02-15 v3 计算机视觉与模式识别
数值分析
图像与视频处理
摘要
我们提出 PaLEnTIR，一种显著增强的参数化水平集（PaLS）方法，用于解决分段常数物体的复原与重建问题。我们的关键贡献在于一种独特的 PaLS 表述，利用单个水平集函数恢复包含多对比度分段常数物体的场景，且无需已知物体数量或其对比度。与采用径向基函数（RBFs）的标准 PaLS 方法不同，我们的模型集成了各向异性基函数（ABFs），从而扩展了其表示更广泛形状类别的能力。此外，PaLEnTIR 改善了作为参数辨识过程一部分的雅可比矩阵的条件数，并由此加速优化方法。我们通过涵盖稀疏与有限视角 X 射线计算机断层扫描（2D 与 3D）、非线性扩散光学层析成像（DOT）、去噪以及去卷积任务的多样实验，使用真实与模拟数据集验证了 PaLEnTIR 的有效性。
引用
@article{arxiv.2204.09815,
title = {Parametric Level-sets Enhanced To Improve Reconstruction (PaLEnTIR)},
author = {Ege Ozsar and Misha Kilmer and Eric Miller and Eric de Sturler and Arvind Saibaba},
journal= {arXiv preprint arXiv:2204.09815},
year = {2024}
}
备注
28 pages, 35 figures