SPLIT：面向非线性层析成像学习反演的自监督分区方法
计算机视觉与模式识别
2026-04-20 v1
摘要
机器学习在层析重建中取得了令人印象深刻的性能，但监督训练需要成对的测量值和真实图像，而这些通常难以获得。这推动了自监督方法的发展，这些方法主要解决了去噪问题，以及最近的线性逆问题。我们处理非线性逆问题，并引入了 SPLIT（面向非线性层析成像学习反演的自监督分区），这是一个自监督机器学习框架，用于在没有真实图像样本的情况下，从非线性、不完整和含噪声的投影数据中重建图像。SPLIT 在利用多个分区间的互补信息的同时，强制执行跨分区一致性和测量域保真度。我们的主要理论结果表明，在温和条件下，所提出的自监督目标在期望上等价于其监督对应目标。我们使用一个自动停止规则来正则化训练，该规则在无参考图像质量代理指标饱和时停止优化。作为一个具体应用，我们推导了用于多光谱计算机层析成像的 SPLIT 变体。在稀疏视图采集上的实验证明了其高重建质量和对噪声的鲁棒性，超越了经典的迭代重建和最近的自监督基线。
引用
@article{arxiv.2604.15651,
title = {SPLIT: Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography},
author = {Markus Haltmeier and Lukas Neumann and Nadja Gruber and Gyeongha Hwang},
journal= {arXiv preprint arXiv:2604.15651},
year = {2026}
}