重访 $\Psi$DONet：基于微局部的用于非完整数据断层重建的滤波器
最优化与控制
2025-01-31 v1 计算机视觉与模式识别
机器学习
摘要
本文通过提供更深入的微局部解释进行理论分析，并将其研究扩展至稀疏角度断层重建的情况，重新审视了基于展开的监督学习方法 DONet。进一步，我们考虑具有特定结构的滤波器，其结构灵感来自于不完整数据断层重建中特征纹路奇异性所致的 streak 痕迹。这种做法大幅降低了（可学习的）参数数量，同时保持（或略微提高）从有限角度数据进行重建的质量，并为稀疏角度断层数据提供了概念验证。
引用
@article{arxiv.2501.18219,
title = {Revisiting $\Psi$DONet: microlocally inspired filters for incomplete-data tomographic reconstructions},
author = {Tatiana A. Bubba and Luca Ratti and Andrea Sebastiani},
journal= {arXiv preprint arXiv:2501.18219},
year = {2025}
}