面向全局可预测k空间插值：一种白箱变换器方法
计算机视觉与模式识别
2025-08-07 v1 最优化与控制
摘要
k空间缺失数据插值是加速成像的关键任务。然而，现有方法包括基于卷积神经网络的深度学习方法，主要利用局部可预测性，忽视k空间中固有的全局依赖性。最近，变换器在自然语言处理和图像分析中因其捕获长程依赖的能力而取得巨大成功。这激发了使用变换器进行k空间插值以更好地利用其全局结构。然而，缺乏可解释性使人对插值数据的可靠性存疑。为解决此限制，我们提出GPI-WT（Globally Predictable Interpolation的白箱变换器框架），基于全局可预测插值（GPI）构建。具体而言，我们从消灭视角构建 GPI，提出一种新型k空间结构化低秩（Structured Low-Rank, SLR）模型。SLR模型中的全局消灭滤波器作为可学习参数，SLR模型的亚梯度自然诱导出可学习的注意力机制。通过将SLR模型的亚梯度优化算法展开为级联网络，我们构建了首个专为加速MRI设计的白箱变换器。实验结果表明，所提方法在k空间插值精度上显著优于最先进方法，同时提供卓越的可解释性。
引用
@article{arxiv.2508.04051,
title = {Towards Globally Predictable k-Space Interpolation: A White-box Transformer Approach},
author = {Chen Luo and Qiyu Jin and Taofeng Xie and Xuemei Wang and Huayu Wang and Congcong Liu and Liming Tang and Guoqing Chen and Zhuo-Xu Cui and Dong Liang},
journal= {arXiv preprint arXiv:2508.04051},
year = {2025}
}