用于动态层析密度重建的物理驱动 Wasserstein GAN 学习
图像与视频处理
2022-04-28 v2 机器学习
摘要
从含散射辐射与噪声的投影中重建物体密度在许多应用中至关重要。现有散射校正与密度重建方法可能无法提供许多应用所需的高精度，并且在不建模或异常散射及其他实验伪影存在时可能失效。引入机器学习模型可有益于准确的密度重建，尤其在动态成像中，密度场的时间演化可由偏微分方程刻画或从流体动力学模拟中学习。本工作中，我们展示了学习型深度神经网络在含噪声密度重建中去除伪影的能力，其中噪声表征不完备。我们使用 Wasserstein 生成对抗网络（WGAN），其生成器充当去噪器，去除传统重建算法所得密度中的伪影。我们从大型密度时间序列数据集训练网络，噪声依据可能模拟实验噪声的参数随机分布生成。WGAN 以含噪密度帧作为生成器输入进行训练，使生成器输出匹配模拟所得洁净密度（时间序列）的分布。训练中亦引入监督损失，从而提升密度恢复性能。此外，我们在网络训练与应用过程中采用如质量守恒等基于物理的约束，以进一步实现高精度密度重建。初步数值结果表明，我们框架中训练的模型可去除密度时间序列数据中相当部分的未知噪声。
引用
@article{arxiv.2110.15424,
title = {Physics-Driven Learning of Wasserstein GAN for Density Reconstruction in Dynamic Tomography},
author = {Zhishen Huang and Marc Klasky and Trevor Wilcox and Saiprasad Ravishankar},
journal= {arXiv preprint arXiv:2110.15424},
year = {2022}
}