A directional regularization method for the limited-angle Helsinki Tomography Challenge using the Core Imaging Library (CIL)
本研究针对有限角度CT重建问题,基于开源工具包CIL提出结合单侧定向全变分等的模型化重建方法,在2022赫尔辛基断层挑战赛中获第三,验证了模型方法的有效性与CIL的灵活性。
2023-10-02 cs.MS cs.NA math.NA
Non-smooth variational regularization for processing manifold-valued data
在反问题的背景下,用于处理标量和向量值图像、体积和其他数据的许多方法是基于变分公式的。这样的公式需要适当的正则化泛函,其对要重建的对象的预期属性进行建模。向量空间背景下正则化泛函的突出例子是全变差(TV)和Mumford-Shah泛函,以及高阶格式,如全广义变差模型。由于信号或数据存在于非线性流形中的应用,最近对非线性流形值数据的类似方法进行了研究。在本章中,我们考虑流形值数据的各种变分正则化方法。特别是,我们考虑TV最小化以及高阶模型,如总广义变差(TGV)。此外,我们讨论(离散)Mumford-Shah模型和相关方法的分段常数数据。我们开发离散能量去噪和报告的算法方法,以尽量减少它们。此外,我们还处理这些方法的扩展,将间接测量项,从而解决反问题的设置。最后,我们讨论了流形值数据的小波稀疏正则化。
2019-09-19 cs.NA math.NA
Total variation regularization with reduced basis in electrical impedance tomography
Aalto University(阿尔托大学)
本文提出将降维基技术与总变分正则化结合,用于提高电阻抗断层成像的重建效率,同时保持重建质量与边缘增强特性。
2026-02-17 cs.NA math.NA
Learning-Enhanced Variational Regularization for Electrical Impedance Tomography via Calderón's Method
本文针对二维电阻抗层析成像反问题,提出利用Calderón方法和深度学习提取未知对比度形状与位置的先验信息,并将其融入变分正则化框架,结合高斯-牛顿法求解,在高对比度情况下实现了准确重建和强泛化能力。
2025-07-21 cs.NA math.NA
Functional Liftings of Vectorial Variational Problems with Laplacian Regularization
University of Lübeck(吕贝克大学)
本文提出了一种基于功能提升的凸松弛方法,用于具有基于拉普拉斯的二次正则化的变分问题,通过结合校准方法和子标签准确的连续多标签方法,使这些方法适用于向量数据和高阶正则化的问题,如图像处理应用。
2019-04-01 cs.NA math.NA
Higher order convergence rates for Bregman iterated variational regularization of inverse problems
本文研究了在Banach空间中线性病态算子方程变分正则化解的收敛性,提出高阶变分源条件(VSCs)以获得最优收敛速率,并通过数值实验验证了理论结果。
2018-07-03 cs.NA math.NA
Removal of Curtaining Effects by a Variational Model with Directional Forward Differences
University of Kaiserslautern(凯泽斯劳滕大学);Harbin Institute of Technology(哈尔滨工业大学)
本文提出一种新的凸变分模型用于消除FIB断层扫描中的帘幕效应,通过极小化卷积将受污染的3D图像分为干净图像和两种类型污染,利用方向依赖的一阶和二阶差分处理特定结构,适用于人工和真实数据。
2016-04-05 cs.NA math.NA
Discrete Total Variation Flows Without Regularization
Albert-Ludwigs-Universität Freiburg(弗莱堡大学);University of Maryland, College Park(马里兰大学帕克分校)
提出并分析一种求解全变分泛函L²次梯度流的算法,无需正则化,通过迭代方案求解并证明收敛性,数值实验展示方法效果并与正则化流比较。
2012-12-05 cs.NA math.NA
A Regularization Term Based on a Discrete Total Variation for Mathematical Image Processing
本文提出了一种新的正则化项来解决数学图像问题。利用水平、垂直和两个对角方向的差分算子,得到了导数振幅的估计,并在此基础上定义了一个新的正则化项,该正则化项可以看作是一个新的离散化的全变差(TVprn)模型.通过改进TVprn,引入了更有效的正则化项。通过求TVprn的共轭和产生具有特殊约束的向量场,提出了一种新的二维离散函数的离散TV(TVnew).新的TV模型解决数学图像问题的能力进行了检查,在一些数值实验。结果表明,新提出的电视模型可以重建噪声图像的边缘和角落比其他电视更好。此外,还解决了两个分辨率增强问题的测试实验,并与其他几种不同的电视进行了比较。
2022-09-13 cs.NA math.NA
Blind Image Fusion for Hyperspectral Imaging with the Directional Total Variation
University of Bremen(不来梅大学)
高光谱成像是一种尖端类型的遥感技术,用于绘制植被特性、岩石矿物和其他材料。高光谱成像设备的主要缺点是其固有的低空间分辨率。在本文中,我们提出了一种方法,用于增加高光谱图像的空间分辨率,通过将其与用不同的成像方式获得的更高的空间分辨率的图像融合。这是通过解决一个变分问题,其中的正则化功能是方向总变分。为了适应两个图像之间可能的误配准,我们考虑一个非凸盲超分辨率问题,其中融合图像和相应的卷积核都被估计。使用这种方法,如果需要,我们的模型可以重新对齐给定的图像。我们的实验结果表明,在实践中的非凸性是可以忽略不计的,可靠的解决方案,可以使用各种不同的优化算法计算。对来自植物科学和城市监测的真实遥感数据的数值结果显示了所提出的方法的潜力,并表明它是鲁棒的正则化参数,误配准和核的形状。
2018-04-09 cs.CV cs.NA math.NA
New Pair of Primal Dual Algorithms for Bregman Iterated Variational Regularization
Universite Libre de Bruxelles(布鲁塞尔自由大学)
本文提出了一种新的对偶原问题算法,用于解决一般形式的Tikhonov型泛函的最小化问题,通过迭代变分正则化程序近似求解,并在变分源条件假设下分析了迭代和连续意义下的总误差估计,给出了基于Bregman距离惩罚的非光滑总变分(TV)泛函的惩罚项选择,并通过GPS-断层成像问题验证了算法的稳定性。
2019-03-18 cs.NA math.NA
Image Restoration Models with Optimal Transport and Total Variation Regularization
该研究提出结合最优输运与全变分正则化的图像复原模型,推导相关理论,设计结合PDHG与ALM的数值方法并证明收敛,还采用改进全变分抑制阶梯效应,经实验验证了模型特性。
2025-03-19 cs.NA math.NA
Total variation regularization with variable Lebesgue prior
本文提出可变指数勒贝格模替代总变分正则化中的1范数,允许指数随空间位置变化,从而局部选择保留边缘或平滑强度变化。通过离线计算指数函数作为固定参数,得到凸目标函数,其共轭和近 operator 结构简单且计算高效,数值实验显示在去噪和断层成像中优于TGV和TV。
2017-03-14 cs.NA math.NA
The use of discrete gradient methods for total variation type regularization problems in image processing
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);Massey University(梅西大学);La Trobe University(拉筹伯大学);University of Cambridge(剑桥大学)
本文探讨了离散梯度方法在图像处理中的应用,通过非线性总变分去模糊、去噪和修复实验,展示其在保持系统耗散特性方面的有效性。
2016-03-24 cs.NA math.NA
On the tensor nuclear norm and the total variation regularization for image and video completion
本文提出了三阶张量张量完备化的两个新算法。所提出的方法包括使用其近似函数,即张量核范数,最小化基本张量的平均秩,然后通过使用全变差正则化技术获得恢复的数据。我们将采用乘子的交替方向法(ADM),利用张量积,解决与这两种算法相关的主要最优化问题。在最后一节中,我们提出了一些数值实验和最知名的图像完成方法的比较。
2021-02-20 cs.NA math.NA
Weighted total variation regularization for inverse problems with significant null spaces
Department of Mathematics, University of Hamburg(汉堡大学数学系);Faculty of Science and Technology, Norwegian University of Life Sciences(挪威生命科学学院科学与技术学院)
本文提出加权总变分正则化方法,用于解决具有显著空空间的反问题,有效恢复远离边界的源位置和大小。
2026-09-01 cs.NA math.NA
Variational Regularization Theory Based on Image Space Approximation Rates
我们提出了一种新的方法来收敛速度的结果变分正则化。避免Bregman距离和使用图像空间近似率作为源条件,我们证明了一个近极小极大定理表明,连续模是一个上界的重建误差的常数。应用到Besov空间正则化,我们得到的$0,2,q$ -和$0,p,p$ -罚款没有限制$p,q\in (1,\infty).$的收敛速度的结果最后,我们证明了等价的Hölder型变分源条件,边界上的缺陷的Tikhonov功能,和图像空间逼近率。
2021-03-29 cs.NA math.FA math.NA
A General Truncated Regularization Framework for Contrast-Preserving Variational Signal and Image Restoration: Motivation and Implementation
Nankai University(南开大学)
本文提出一种通用截断正则化框架,用于解决变分信号和图像修复中对比度损失问题,通过理论分析和实验验证其有效性。
2018-02-12 cs.NA math.NA
Total variation regularization of the $3$-D gravity inverse problem using a randomized generalized singular value decomposition
Institute of Geophysics University of Tehran(德黑兰大学地球物理研究所);School of Mathematical and Statistical Sciences Arizona State University(亚利桑那州立大学数学与统计科学学院)
本文提出了一种快速算法,用于解决三维重力反演问题的总变分正则化。通过总变分正则化,可以更好地保留具有尖锐不连续性的地下结构,优于传统最小结构反演。正则化问题的公式是非线性的,但可以使用迭代加权最小二乘算法求解。对于小规模问题,可以在每次迭代中使用广义奇异值分解求解正则化最小二乘问题,但这种方法不适用于大规模问题。为此,我们引入了随机广义奇异值分解,以减少问题的维度并提供有效且高效的解决方案。为了进一步提高效率,使用交替方向算法在迭代加权最小二乘算法中实现总变分加权操作符。合成示例的结果表明,新的随机分解在降低计算和内存需求的同时,比使用经典方法提供了更好的准确性。
2017-09-23 cs.NA math.NA
Variational regularization of complex deautoconvolution and phase retrieval in ultrashort laser pulse characterization
J. Radon Institute for Computational and Applied Mathematics(J. Radon计算与应用数学研究所);Faculty of Mathematics, TU Chemnitz(开姆尼茨工业大学数学学院);Max-Born-Institute(马克斯·玻恩研究所)
本文提出利用NURBS和TIGRA方法解决超短激光脉冲表征中的非线性自卷积积分方程,探讨变分正则化在复值L²空间中的应用,并通过合成和实际数据验证方法的有效性与局限性。
2015-08-04 cs.NA math.NA
Variational Regularization in Inverse Problems and Machine Learning
Friedrich-Alexander Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学)
本文讨论了变分正则化方法的基本结果和最近的发展,为反问题。在一个典型的设置中,我们回顾了获得收敛正则化方案所需的基本性质,并进一步讨论了定量估计的推导,分别需要的成分,如Bregman距离凸泛函。除了为逆问题开发的方法外,我们还将讨论机器学习中的变分正则化,并与经典正则化理论建立一些联系。特别是,我们将讨论重新解释的机器学习问题的正则化理论的框架和重新解释的变分方法的反问题的框架中的风险最小化。此外,我们建立了一些以前未知的Bregman距离的误差估计和泛化误差之间的连接。
2021-12-08 cs.LG cs.NA math.NA
Characterizations of variational source conditions, converse results, and maxisets of spectral regularization methods
Institute for Numerical and Applied Mathematics, University of Goettingen(哥廷根大学应用数值数学研究所)
本文通过两个充分条件研究变分源条件,揭示线性逆问题中收敛速率与噪声水平的关系,并讨论Laplace-Beltrami算子的函数微积分与Besov空间的联系。
2016-04-18 cs.NA math.NA
Directional TGV-based image restoration under Poisson noise
我们感兴趣的是恢复噪声和模糊的图像,其中纹理主要遵循单一方向(即,方向图像)。这类问题例如出现在用于碳纤维或玻璃纤维的显微镜或计算机断层摄影中。为了处理这些问题,Kongskov等人在2017年和2019年开发了方向总广义变分(DTGV),在脉冲和高斯噪声的情况下。在这篇文章中,我们专注于图像破坏泊松噪声,扩展DTGV正则化图像恢复模型的数据拟合项是广义Kullback-Leibler分歧。我们还提出了一种技术,用于识别的主要纹理方向,改进了上述工作中使用的技术DTGV。我们解决了这个问题的ADMM算法证明收敛和子问题,可以在一个低的计算成本得到准确的解决。仿真和实际图像的数值结果表明了我们的方法的有效性。
2021-06-16 cs.NA math.NA math.OC
Solution Paths of Variational Regularization Methods for Inverse Problems
我们考虑一类一般反问题的变分正则化泛函,其中数据保真度和正则化项分别由Hilbert范数和绝对单齐次泛函的幂给出,正则化参数被解释为人工时间.我们调查的小和大的时间行为的相关解决方案的路径,特别是,证明有限的消亡时的一大类泛函。根据权力,我们还表明,解决方案的路径是有界变化,甚至Lipschitz连续。此外,这将证明,这些模型是“几乎”相互等价的最小化,他们承认。最后,我们应用我们的结果来定义和比较两种不同的非线性谱表示的数据,并表明,只有一个是能够分解的线性组合的非线性本征函数到个人的本征函数。为此,我们还将简要地讨论分段仿射解路径。
2019-10-29 cs.NA math.NA math.OC
Variational Regularization of Inverse Problems for Manifold-Valued Data
Image Analysis and Learning Group, Interdisciplinary Center for Scientific Computing, Universität Heidelberg, Germany(图像分析与学习组,跨学科科学计算中心,海德堡大学,德国);Department of Mathematics and Natural Sciences, Hochschule Darmstadt, and Institute of Computational Biology, Helmholtz Zentrum München, Germany(数学与自然科学系,达姆施塔特应用科学大学,以及计算生物学研究所,海德堡研究中心,德国)
本文研究流形值数据的变分正则化反问题,提出TV和TGV正则化方法,并通过合成和真实数据验证其有效性。
2018-04-27 cs.CV cs.NA math.DG
Error estimates for variational normal derivatives and Dirichlet control problems with energy regularization
Technische Universität Chemnitz(开姆尼茨工业大学)
本文研究了变分法向导数和带有能量正则化的Dirichlet边界控制问题的有限元近似误差估计,利用加权Sobolev和Hölder空间分析解的正则性,揭示了近似收敛率与几何结构间的关系。
2018-08-03 cs.NA math.AP math.NA
Finite element-based space-time total variation-type regularization of the inverse problem in electrocardiographic imaging
Institute of Applied Mathematics, University of Bonn, Germany(波恩大学应用数学研究所);Euler Institute, Università della svizzera italiana, Switzerland(瑞士意大利欧拉研究所;格拉茨大学数学与计算科学系);Department of Mathematics and Scientific Computing, University of Graz, Austria(波恩心脏中心,第二内科部,波恩大学医院);Heart Center Bonn, Department of Internal Medicine II, University Hospital Bonn, Germany(特伦托大学数学系);Department of Mathematics, University of Trento, Italy
针对心电图反问题的严重病态性,提出一种基于有限元的时空全变差型正则化方法重建心外膜电势,利用一阶原始-对偶算法求解凸优化问题,数值实验证明其在二维和三维数据上优于现有方法。
2025-11-03 cs.CV cs.NA math.NA
Higher order error estimates for regularization of inverse problems under non-additive noise
本文针对非加性噪声下的反问题,提出基于对偶问题的新型源条件,在Bregman距离下推导变分正则化的高阶误差估计,并推广至一般凸数据保真项。
2025-04-24 cs.NA math.FA math.NA
Total variation regularization for recovering the spatial source term in a time-fractional diffusion equation
针对时间分数阶扩散方程空间源项反问题的不适定性,提出带TV正则化的最优控制方法,采用全离散近似并证明收敛,设计线性化原始-对偶迭代算法,数值实验验证其在间断解重构上的有效性。
2024-06-21 cs.NA math.NA math.OC
Implementation of an Optimal First-Order Method for Strongly Convex Total Variation Regularization
我们提出了一个实际实施的最佳一阶方法,由于Nesterov,大规模的全变差正则化层析重建,图像去模糊等算法适用于$μ$ -强凸目标函数与$L$ -Lipschitz连续梯度。在Nesterov的框架中,假设$μ$和$L$都是已知的-我们建议纳入机制,以估计本地足够的$μ$和$L$在迭代过程中。该机制也允许应用到非强凸函数。我们讨论了几个一阶方法的迭代复杂性,包括所提出的算法,我们使用一个三维断层扫描问题,比较这些方法的性能。结果表明,对于病态问题的高精度解决,所提出的方法显着优于国家的最先进的一阶方法,也建议的理论结果。
2011-05-18 cs.NA math.NA math.OC
Exact recovery of the support of piecewise constant images via total variation regularization
本文针对含噪线性测量下的分段常数图像恢复问题,证明在全变差正则化方法中,当未知图像由少数简单形状叠加且满足非退化源条件时,低噪声下重建图像保持相同结构,且形状与强度随噪声趋于零而收敛到真值。
2024-03-29 cs.NA eess.SP math.NA
Iterative Methods for an Inverse Eddy Current Problem with Total Variation Regularization
本文研究逆涡流问题中的电导率重构,将其表述为带全变差正则化的约束优化问题,采用有限元离散并提出交替方向乘子法求解,证明了收敛性并通过数值实验验证了方法的有效性。
2023-07-03 cs.NA math-ph math.MP
Space-adaptive anisotropic bivariate Laplacian regularization for image restoration
CMAP, CNRS, École Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院综合理工学院应用数学中心、法国国家科学研究中心);University of Bologna(博洛尼亚大学)
在本文中,我们提出了一个新的正则化项变分图像恢复,它可以被看作是一个经典的各向同性的全变分(TV)正则化的空间变化的各向异性扩展。所提出的正则化器来自于目标图像的梯度根据空间变化的二元拉普拉斯分布局部分布的统计假设。高度灵活的变分结构相应的正则化编码几个自由参数,这些参数具有忠实地模拟图像中的局部几何形状和描述局部方向偏好的潜力。对于这些参数的自动估计,我们设计了一个强大的最大似然方法,并报告其合成数据和自然图像的可靠性的结果。提出了一种基于乘子交替方向法(ADMM)的最小化算法,用于该变分模型的有效数值解。一些实验结果表明,该模型可以实现高质量的简化,特别是相对于经典的全变分正则化。
2019-08-02 cs.CV cs.NA eess.IV
Conditional gradients for total variation regularization with PDE constraints: a graph cuts approach
University of Twente(特文特大学)
该研究从凸几何视角研究带TV正则化的PDE约束最优控制极小化问题,推导了全变分单位球极值点相关理论,提出基于几何的高效求解算法并验证了离散解对连续极限解的逼近性。
2024-07-15 cs.NA math.AP math.NA