基于深度生成先验的鲁棒压缩感知磁共振成像
机器学习
2021-12-07 v2 计算机视觉与模式识别
信息论
math.IT
机器学习
摘要
CSGM框架（Bora-Jalal-Price-Dimakis'17）已表明，深度生成先验可以成为解决逆问题的强大工具。然而，迄今为止，该框架仅在特定数据集（例如人脸和MNIST数字）上取得了实证成功，并且已知在分布外样本上表现不佳。在本文中，我们首次展示了CSGM框架在临床MRI数据上的成功应用。我们在fastMRI数据集的脑部扫描上训练了一个生成先验，并展示了通过朗之万动力学进行的后验采样能够实现高质量的重建。此外，我们的实验和理论表明，后验采样对真实分布和测量过程的变化具有鲁棒性。我们的代码和模型可在以下网址获取：\url{https://github.com/utcsilab/csgm-mri-langevin}。
引用
@article{arxiv.2108.01368,
title = {Robust Compressed Sensing MRI with Deep Generative Priors},
author = {Ajil Jalal and Marius Arvinte and Giannis Daras and Eric Price and Alexandros G. Dimakis and Jonathan I. Tamir},
journal= {arXiv preprint arXiv:2108.01368},
year = {2021}
}