基于超网络的正则化无关压缩感知 MRI 重建
图像与视频处理
2021-01-07 v1 计算机视觉与模式识别
摘要
在压缩感知 MRI (CS-MRI) 中重建欠采样 k-空间测量值,经典方法采用正则化最小二乘求解。近来,深度学习通过将重建网络训练于欠采样测量值数据集上来摊销该优化过程。此处一个关键设计选择是正则化函数及相应权重。本文探索一种新策略:使用超网络将另一重建网络的参数生成为正则化权重的函数,从而得到正则化无关的重建模型。在测试时,对于给定的欠采样图像,我们的模型可快速计算具有不同正则化量的重建结果。我们分析了这些重建结果的变异性,尤其在总体质量相近的情形下。最后,我们提出并以实验证明一种在超网络容量有限时最大化重建性能的高效数据驱动方法。我们的代码公开于 https://github.com/alanqrwang/RegAgnosticCSMRI。
引用
@article{arxiv.2101.02194,
title = {Regularization-Agnostic Compressed Sensing MRI Reconstruction with Hypernetworks},
author = {Alan Q. Wang and Adrian V. Dalca and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:2101.02194},
year = {2021}
}