测试时训练可弥合深度学习基于压缩感知的自然分布偏移性能差距
图像与视频处理
2022-06-22 v2
摘要
基于深度学习的图像重建方法优于传统方法。然而，当应用于与训练图像不同分布的图像时，神经网络会出现性能下降。例如，为加速磁共振成像（MRI）中膝盖重建而训练的模型不能很好地重建大脑，尽管在相同网络上以大脑训练可完美重建大脑。因此，对于给定的神经网络，存在分布偏移性能差距，定义为在分布 上训练与在另一分布 上训练、并在 上评估两个模型时的性能差异。在本工作中，我们提出一种用于基于深度学习的压缩感知的域适应方法，该方法依赖于训练期间的自我监督与推理时的测试时训练相结合。我们表明，对于四种自然分布偏移，该方法基本弥合了最先进加速 MRI 架构的分布偏移性能差距。
引用
@article{arxiv.2204.07204,
title = {Test-Time Training Can Close the Natural Distribution Shift Performance Gap in Deep Learning Based Compressed Sensing},
author = {Mohammad Zalbagi Darestani and Jiayu Liu and Reinhard Heckel},
journal= {arXiv preprint arXiv:2204.07204},
year = {2022}
}