NeuManifold: Neural Watertight Manifold Reconstruction with Efficient and High-Quality Rendering Support
University of California San Diego(加利福尼亚大学圣迭戈分校);Adobe Research(奥多比研究院);ETH Zürich(苏黎世联邦理工学院);University of Tübingen(蒂宾根大学)
该研究提出NeuManifold方法,结合神经体积场初始化与可微光栅化优化,生成高质量水密流形网格,渲染速度较体积渲染方法快一个数量级且兼容现有图形管线。
2025-01-17 cs.CV
Differentiable Manifold Reconstruction for Point Cloud Denoising
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所)
由于采集设备的固有限制,三维点云数据经常受到噪声干扰,影响了后续的曲面重建、绘制等工作,以往的工作主要是推断噪声点与底层曲面之间的位移,但没有明确地指定这些位移来恢复曲面,可能会导致去噪效果不佳。为此,我们建议从具有微小噪声扰动的可微子采样点及其嵌入的邻域特征中学习噪声点云的底层流形,旨在捕获点云中的内在结构。具体来说,我们提出了一个自动编码器一样的神经网络。编码器学习每个点的局部和非局部特征表示,然后通过自适应可微分池化操作以低噪声采样点。然后,解码器通过将每个采样点及其邻域的嵌入特征变换为以该点为中心的局部表面来推断底层流形。通过对重构流形的重构,得到去噪后的点云。此外,我们设计了一个无监督的训练损失,这样我们的网络就可以以无监督或有监督的方式进行训练。实验表明,我们的方法显着优于国家的最先进的去噪方法在合成噪声和现实世界的噪声。代码和数据可在https://github.com/luost26/DMRDenoise上获得
2020-08-09 cs.CV
MIND: Material Interface Generation from UDFs for Non-Manifold Surface Reconstruction
Key Laboratory of System Software and State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所系统软件重点实验室、计算机科学国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学);Department of Computer Science, Stony Brook University(石溪大学计算机科学系);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
本文提出MIND算法,通过从UDF构建多标签全局场并生成材料界面,结合多标签Marching Cubes实现非流形表面网格提取,在多种数据源上显著优于现有方法。
2025-11-06 cs.CV
On Clustering and Embedding Mixture Manifolds using a Low Rank Neighborhood Approach
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
来自紧密(非线性)混合物的样品通常被建模为从光滑流形中提取。数据包含具有一些共同组成材料的多种紧密混合物的情况可以被认为是共享边界的流形。处理这些数据的两个重要步骤是(i)识别(聚类)数据中存在的不同混合流形,以及(ii)通过将每个混合流形映射到某个低维欧氏空间(嵌入)来消除数据中存在的非线性。流形聚类和嵌入技术似乎是一个理想的工具,这项任务,但目前国家的最先进的算法表现不佳的高光谱数据,特别是在嵌入任务。我们提出了一种新的基于重构的算法,用于改进混合流形的聚类和嵌入。该算法试图将每个目标点重建为其最近邻居的仿射组合,并对邻居进行额外的秩惩罚,以确保在重建中仅使用与目标点相同的流形上的邻居。使用这种技术生成的重建矩阵是块对角的,可以用于聚类(使用谱聚类)和嵌入。在各种模拟和真实的混合数据集上显示了算法相对于其竞争对手的改进性能。
2017-08-12 cs.CV
Light Field Reconstruction Using Shearlet Transform
在这篇文章中,我们开发了一种基于图像的渲染技术的基础上,从有限的一组相机采集的透视图的光场重建。我们的方法利用稀疏表示的核平面图像在一个方向敏感的变换域,通过自适应离散剪切波变换。所使用的迭代阈值算法提供了高质量的重建结果相对较大的差异之间的相邻视图。因此,给定3D场景的所生成的密集采样光场适合于需要光场重构的所有应用。所提出的算法相比有利的最先进的基于深度图像的渲染技术。
2015-09-29 cs.CV
Scalable low dimensional manifold model in the reconstruction of noisy and incomplete hyperspectral images
Duke University(杜克大学);Tsinghua University(清华大学)
我们提出了一个可扩展的低维流形模型的噪声和不完整的高光谱图像的重建。该模型是基于高光谱图像的空间光谱块通常位于接近低维流形的集合的观察。为了强调这一点,流形的维数直接用作变分泛函中的正则化子,通过交替方向的最小化和加权非局部拉普拉斯算子有效地解决了这一问题。与一般的3D图像不同,高光谱图像的所有光谱波段可以共享相同的相似性矩阵,因此所得到的算法比一般的3D数据更具可扩展性。对稀疏和噪声采样的高光谱图像重建的数值实验表明,我们提出的算法在速度和精度方面的优越性。
2018-03-23 cs.CV cs.IT math.IT
Weakly supervised 3D Reconstruction with Adversarial Constraint
Stanford University(斯坦福大学);NEC Laboratories America, Inc.(NEC美国实验室公司)
通过使用深度神经网络,监督3D重建已经取得了重大进展。然而,这种性能的提高需要2D/3D数据的大规模注释。在本文中,我们探索廉价的2D监督作为昂贵的3D CAD注释的替代方案。具体来说,我们使用前景遮罩作为弱监督,通过光线跟踪池层,使透视投影和反向传播。此外,由于从掩模的3D重建是一个不适定的问题,我们建议将3D重建约束到匹配掩模观测的未标记的真实3D形状的流形。我们证明了学习这个约束优化问题的对数障碍解决方案类似于GAN目标,从而可以使用现有的工具来训练GANs。我们评估和分析各种数据集上的合成和真实图像的单视图和多视图重建的流形约束重建。
2017-10-04 cs.CV
Jumping Manifolds: Geometry Aware Dense Non-Rigid Structure from Motion
Australian National University(澳大利亚国立大学)
针对非刚性运动物体在多帧图像中的密集特征对应关系,提出了一种在每帧图像中估计其三维形状的算法。为了准确地解决这个问题,最近的国家的最先进的算法减少了这个任务的局部线性子空间重建和聚类问题,使用格拉斯曼流形表示\cite{kumar2018scalable}。不幸的是,他们的方法错过了与表面变形建模相关的一些关键问题,例如,局部表面变形对其相邻表面的依赖性。此外,它们对高维数据点进行分组的表示不可避免地引入了在高维Grassmann流形\cite{huang2015projection, harandi2014manifold}上对样本进行分类的缺点。因此,为了处理这样的限制与\cite{kumar2018scalable},我们提出了一种算法,联合利用高维格拉斯曼流形的好处来执行重建,其等效的低维表示来推断合适的集群。为了实现这一点,我们将每个格拉斯曼投影到一个低维格拉斯曼流形上,该流形保留并尊重结构相对于其邻居的变形。这些较低维度的格拉斯曼点然后充当用于选择高维格拉斯曼样本以执行每个局部重建的代表。在实践中,我们的算法提供了一种几何上有效的方法来解决密集NRSfM之间切换流形的基础上,它的好处和用途。实验结果表明,该算法在处理噪声方面是非常有效的,重建精度与竞争方法一样好或更好。
2019-04-28 cs.CV
Reference-based Magnetic Resonance Image Reconstruction Using Texture Transformer
Johns Hopkins University(约翰斯·霍普金斯大学)
近年来,基于深度学习(DL)的磁共振(MR)图像重建方法已显示出优越的性能。然而,这些方法要么仅利用欠采样数据,要么需要成对的全采样辅助模态来执行多模态重建。因此,现有的方法忽略了探索注意力机制,可以在一个单一的模态内将纹理从参考全采样数据转换为欠采样数据,这限制了这些方法在具有挑战性的情况下。在本文中,我们提出了一种新的纹理Transformer模块(TTM)的加速MRI重建,在其中,我们制定的欠采样数据和参考数据的查询和键在一个Transformer。TTM有助于跨欠采样数据和参考数据进行联合特征学习,因此可以通过注意力发现特征对应关系,并且可以在重建期间利用准确的纹理特征。值得注意的是,所提出的TTM可以堆叠在先前的MRI重建方法上,以进一步提高其性能。大量的实验表明,TTM可以显着提高几个流行的基于DL的MRI重建方法的性能。
2021-12-16 cs.CV
SnakeVoxFormer: Transformer-based Single Image\\Voxel Reconstruction with Run Length Encoding
Purdue University(普渡大学)
基于深度学习的三维物体重建取得了前所未有的成果。其中,Transformer深度神经模型在计算机视觉的许多应用中表现出色。我们介绍SnakeVoxFormer,一种新的,三维物体重建体素空间从一个单一的图像使用Transformer。SnakeVoxFormer的输入是2D图像,结果是3D体素模型。我们的方法的关键新颖性在于使用遍历(像蛇一样)体素空间的行程长度编码,并将宽空间差异编码为适合于Transformer编码的1D结构。然后,我们使用字典编码将发现的RLE块转换为用于Transformer的令牌。1D表示是一种无损3D形状数据压缩方法,其转换为仅使用原始数据大小的约1%的1D数据。我们展示了不同的体素遍历策略如何影响编码和重建的效果。我们将我们的方法与最先进的图像三维体素重建方法进行了比较,我们的方法将最先进的方法提高了至少2.8%,最高可达19.8%。
2023-03-28 cs.CV
Learning Delaunay Surface Elements for Mesh Reconstruction
LIX Ecole Polytechnique IP Paris(巴黎综合理工学院LIX实验室);Adobe Research(Adobe研究院);UCL(伦敦大学学院)
提出了一种从点云数据重建三角网格模型的方法。现有的基于学习的网格重建方法大多是单独生成三角形,难以生成流形网格。我们利用二维德洛内三角剖分的性质,从流形表面元素构建网格。我们的方法首先估计每个点周围的局部测地线邻域。然后,我们使用学习的对数映射对这些邻域进行2D投影。一个德洛内三角剖分,在这个二维域是保证产生一个流形补丁,我们称之为德洛内曲面元素。我们同步相邻元素的局部2D投影,以最大限度地提高重建网格的流形。我们的研究结果表明,我们实现了更好的整体流形的重建网格比目前的方法来重建任意拓扑结构的网格。我们的代码、数据和预训练模型可在以下网站上找到:www.example.com
2021-05-06 cs.CV cs.GR
Joint alignment and reconstruction of multislice dynamic MRI using variational manifold learning
University of Iowa(爱荷华大学);Philips HealthCare(飞利浦医疗);University of Wisconsin(威斯康星大学);GE HealthCare(通用电气医疗)
自由呼吸心脏MRI方案正在成为屏气电影MRI方案的竞争性替代方案,适用于儿科和其他无法屏气的人群。由于来自切片的数据是顺序采集的,因此每个切片的心脏/呼吸运动模式可能不同;当前的自由呼吸方法执行每个切片的独立恢复。除了不能利用切片间冗余之外,还需要手动干预或复杂的后处理方法来对齐图像后恢复以进行量化。为了克服这些挑战,我们提出了一种无监督的变分深度流形学习方案,用于多层动态MRI的联合对齐和重建。所提出的方案联合学习深度网络的参数以及每个切片的潜在向量,这些潜在向量从特定对象的k-t空间数据中捕获运动引起的动态变化。变分框架最大限度地减少了表示中的非唯一性,从而提供了改进的对齐和重建。
2021-11-21 cs.CV eess.IV
ART: Articulated Reconstruction Transformer
Reality Labs Research, Meta(Meta现实实验室);Stanford University(斯坦福大学)
ART通过部分基于预测的方法,从稀疏多状态RGB图像中重建完整3D关节物体,实现了高效的关节物体重建。
2026-05-15 cs.CV
Deep Manifold Prior
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
我们提出了一个流形结构化数据的先验,如3D形状的表面,其中采用深度神经网络从随机初始化开始使用梯度下降重建目标形状。我们证明了以这种方式生成的表面是光滑的,具有高斯过程特征的极限行为,并且我们在数学上推导出了全连接和卷积网络的这些特性。我们证明了我们的方法在各种各样的流形重建应用,如点云去噪和插值,实现了相当好的结果对竞争力的基线,而不需要训练数据。我们还表明,当训练数据是可用的,我们的方法允许开发替代参数化的表面的框架下的masNet,导致一个紧凑的网络架构和更好的重建结果的标准图像形状重建基准。
2020-04-08 cs.CV cs.GR
Scalable Font Reconstruction with Dual Latent Manifolds
Carnegie Mellon University(卡内基梅隆大学);Northeastern University(东北大学);Google Research(谷歌研究院);University of California, San Diego(加利福尼亚大学圣迭戈分校)
我们提出了一个深度生成模型,通过学习字体样式和字符形状的解纠缠流形来执行排版分析和字体重建。与以前的方法相比,我们的方法使我们能够大规模地扩展我们可以有效建模的字符类型的数量。具体来说,我们推断单独的潜在变量表示字符和字体通过一对推理网络,作为输入集的字形,要么都共享一个字符类型,或属于同一种字体。这种设计使我们的模型能够泛化到在训练时没有观察到的字符,这是一项重要的任务,因为大多数字体都相对稀疏。我们还提出了一种新的损失,该损失是从先前的工作中改编而来的,该工作使用投影空间中的自适应分布来测量可能性,从而在不需要重复的情况下产生更自然的图像。我们评估的任务上的字体重建在各种数据集代表多种语言的字符类型,并比较有利的现代风格传输系统,根据自动和手动评估的指标。
2021-09-10 cs.CL cs.CV cs.LG
Iterative energy-based projection on a normal data manifold for anomaly localization
AnotherBrain(AnotherBrain公司)
自动编码器重建被广泛用于无监督异常定位的任务。实际上,在正常数据上训练的自动编码器预计只能重建数据的正常特征,允许通过图像与其自动编码器重建之间的简单比较来分割图像中的异常像素。然而,在实践中,添加到正常图像中的局部缺陷会使整个重建变差,从而使这种分割具有挑战性。为了解决这个问题,我们在本文中提出了一种新的方法,通过使用梯度下降的能量来自自动编码器的损失函数的自动编码器学习的正常数据流形上的异常数据投影。这种能量可以用正则化项来增强,正则化项对构成用户定义的最佳投影的先验进行建模。通过迭代更新自动编码器的输入,我们绕过了自动编码器瓶颈造成的高频信息丢失。这允许产生比经典重建更高质量的图像。我们的方法在各种异常定位数据集上实现了最先进的结果。它还在CelebA数据集上的修复任务中显示了有希望的结果。
2020-02-10 cs.CV eess.IV
Efficient 3D Object Reconstruction using Visual Transformers
Georgia Institute of Technology(佐治亚理工学院)
从2D图像重建3D对象是一个研究得很好的视觉问题,已经尝试了许多种深度学习技术。最常见的是,使用3D卷积方法,尽管先前的工作已经显示了使用2D卷积的最先进的方法,其对于训练也显著更有效。随着最近用于视觉任务的Transformers的兴起,通常优于卷积方法,以及一些早期尝试使用Transformers进行3D对象重建,我们开始使用视觉Transformers来代替现有高效,高性能的3D对象重建技术中的卷积,以便在任务中取得更好的结果。使用基于变换的编码器和解码器从2D图像预测3D结构,我们实现了类似或优于基线方法的精度。这项研究作为证据的潜在的视觉Transformers在三维物体重建的任务。
2023-02-16 cs.AI cs.CV
NRTR: Neuron Reconstruction with Transformer from 3D Optical Microscopy Images
Xiamen University(厦门大学);Central China Normal University(华中师范大学)
从原始光学显微镜(OM)图像中重建神经元是神经科学的基础。人工标注和半自动神经元追踪算法耗时且效率低下。现有的深度学习神经元重建方法虽然展示了示例性的性能,但极大地需要复杂的基于规则的组件。因此,一个关键的挑战是设计一种端到端的神经元重建方法,使整个框架更简单,模型训练更容易。我们提出了一个神经元重建Transformer(NRTR),丢弃复杂的基于规则的组件,神经元重建直接设置预测问题。据我们所知,NRTR是第一个用于端到端神经元重建的图像到集合深度学习模型。在使用BigNeuron和VISoR-40数据集的实验中,NRTR在综合基准测试中获得了出色的神经元重建结果,并优于竞争对手的基线。大量的实验结果表明,NRTR可以有效地将神经元重建视为一个集合预测问题,这使得端到端的模型训练变得可用。
2022-12-08 cs.AI cs.CV
Intrinsic Neural Fields: Learning Functions on Manifolds
University of Siegen(锡根大学);Technical University of Munich(慕尼黑工业大学)
神经领域由于其在新视图合成、几何重构和生成式建模方面的优异性能而在计算机视觉界获得了极大的关注。它们的一些优点是具有良好的理论基础,并且在当前的深度学习框架中易于实现。虽然神经场已被应用于流形上的信号,例如,对于纹理重建,它们的表示被限制为将形状外嵌到欧几里得空间中。外在嵌入忽略了已知的内在流形性质,是不灵活的。学习功能的转移。为了克服这些局限性,这项工作引入了内在的神经领域,一种新的和通用的表示流形上的神经领域。内禀神经场结合了神经场的优点和Laplace-Beltrami算子的谱性质。我们从理论上表明,内在的神经领域继承了许多理想的属性的外在神经领域的框架,但表现出额外的内在品质,如等距不变性。在实验中,我们证明了内在神经场可以从具有最先进质量的图像中重建高保真纹理,并且对底层流形的离散化具有鲁棒性。我们通过处理各种应用来展示内在神经场的多功能性:变形形状和不同形状之间的纹理传输,具有视图依赖性的真实图像的纹理重建,以及网格和点云上的离散化不可知学习。
2022-03-23 cs.CV cs.LG
Manifold Modeling in Quotient Space: Learning An Invariant Mapping with Decodability of Image Patches
Nagoya Institute of Technology(名古屋工业大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
本文提出了一种基于等价类概念的图像块流形学习框架:商空间流形建模(MMQS)。在MMQS中,我们不考虑图像的一组局部补丁,而是通过引入等价类的概念并对其正则补丁进行流形学习而获得的正则补丁集。规范补丁表示等价类,它们的自动编码器在商空间中构造一个流形。在此基础上,通过引入旋转翻转等价关系,提出了一种新的基于流形的图像模型。此外,我们提出了一个图像重建问题,通过拟合所提出的图像模型到一个损坏的观察图像,并推导出一个算法来解决它。我们的实验表明,所提出的图像模型是有效的各种自我监督的图像重建任务,如图像修补,去模糊,超分辨率和去噪。
2022-03-10 cs.CV cs.LG
Dimensionality Reduction of Hyperspectral Imagery Based on Spatial-spectral Manifold Learning
Chongqing University(重庆大学);University of Rhode Island(罗德岛大学);Wuhan University(武汉大学)
图嵌入方法在高光谱图像降维中得到了广泛的应用。然而,如何选择合适的邻域进行图的构建和挖掘HSI数据的空间信息是GE面临的一个主要挑战。本文提出了一种用于HSI分类的无监督降维算法空间-谱流形重构保持嵌入(SSMRPE)。首先,采用加权均值滤波器(WMF)对图像进行预处理,以降低背景噪声的影响。SSMRPE方法根据HSI的空间一致性特性,利用一种新的空间-光谱联合距离(SSCD)融合HSI的空间结构和光谱信息,选择有效的HSI空间-光谱邻域。然后,探索每个点与其邻居之间的空间关系,以调整重建权重,以提高流形重建的效率。因此,该方法可以提取判别特征,从而提高HSI的分类性能。在PaviaU和Salinas高光谱数据集上的实验结果表明,与一些最先进的方法相比,SSMRPE可以实现更好的分类精度。
2018-12-22 cs.CV cs.LG
Multi-layer Clustering-based Residual Sparsifying Transform for Low-dose CT Image Reconstruction
Shanghai Jiao Tong University(上海交通大学);Michigan State University(密歇根州立大学)
最近提出的稀疏化变换模型具有计算量小的特点,已被应用于医学成像。同时,具有嵌套网络结构的深度模型显示出在不同层中学习特征的巨大潜力。在这项研究中,我们提出了一个网络结构的稀疏化变换学习方法的X射线计算机断层扫描(CT),我们称之为多层聚类为基础的残留稀疏化变换(MCST)学习。所提出的MCST方案通过将每层的输入分成几个类来学习每层中的多个不同的酉变换。我们将MCST模型应用于低剂量CT(LDCT)重建,将学习的MCST模型部署到惩罚加权最小二乘(PWLS)重建的正则化器中。我们对XCAT体模数据和Mayo Clinic数据进行了LDCT重建实验,并训练了2层(或3层)MCST模型,每层5个簇。同一层中的学习变换显示出丰富的特征,而额外的信息是从表示残差中提取的。仿真结果表明,PWLS-MCST比传统的FBP方法和带有边缘保持(EP)正则化器的PWLS方法获得了更好的图像重建质量。它还优于最近的先进方法,如PWLS与学习的多层残差稀疏化变换先验(MARS)和PWLS与学习变换的联合(ULTRA),特别是在显示清晰的边缘和保留微妙的细节。
2022-03-22 cs.CV eess.IV
Transformer and GAN Based Super-Resolution Reconstruction Network for Medical Images
The Athenian School(雅典纳中学);Cornell University(康奈尔大学)
由于需要以最小的辐射剂量获得高质量的图像,例如在低场磁共振成像中,医学成像中的超分辨率重建已经变得更加流行(MRI)。然而,由于医学成像的复杂性和高美学要求,图像超分辨率重建仍然是一个艰巨的挑战。在本文中,我们提供了一种基于深度学习的策略,用于利用Transformer和生成对抗网络(T-GAN)从低分辨率重建医学图像。在成功地将Transformer插入生成对抗网络进行图像重建后,集成系统可以通过全局图像匹配提取更精确的纹理信息,并更聚焦于重要位置。此外,在我们提出的模型T-GAN的训练过程中,我们对内容损失、对抗性损失和对抗性特征损失的组合进行了加权,作为最终的多任务损失函数。与PSNR和SSIM等既定指标相比,我们建议的T-GAN在膝盖和腹部MRI扫描图像的超分辨率重建中实现了最佳性能并恢复了更多的纹理特征。
2022-12-26 cs.CV eess.IV
Proximity3D: Shape from Capacitive Proximity on Sensing Manifold
Centre for Perceptual and Interactive Intelligence(感知与交互智能中心);Xiamen University(厦门大学);The Chinese University of Hong Kong(香港中文大学);The University of Manchester(曼彻斯特大学)
Proximity3D提出将弯曲电容织物表面作为非平面感知流形,引入多视图前馈重建模型,通过聚合电容邻近场实现物体形状鲁棒重建,为机器人近场几何感知提供新路径。
2026-09-07 cs.CG cs.CV cs.GR
Hyperspherical Autoencoder for High-Fidelity Image Reconstruction and Generation
KAIST AI(韩国科学技术院人工智能实验室)
本文提出超球面自编码器,通过方向特征对齐和层次卷积补丁嵌入模块,提升图像重建和生成的保真度,实验结果显示其在gFID、rFID和PSNR指标上均优于现有方法。
2026-05-09 cs.AI cs.CV cs.LG
DSFormer: A Dual-domain Self-supervised Transformer for Accelerated Multi-contrast MRI Reconstruction
Yale University(耶鲁大学);New York University(纽约大学);Hyperfine Research(Hyperfine研究公司)
多对比度MRI(MC-MRI)可捕获多种互补成像模式,以辅助放射学决策。鉴于需要降低多次采集的时间成本,当前的深度加速MRI重建网络专注于利用多次对比之间的冗余。然而,现有的工作主要是监督配对数据和/或昂贵的全采样MRI序列。此外,重建网络通常依赖于卷积架构,其在对远程相互作用进行建模的能力方面受到限制,并且可能导致精细解剖细节的次优恢复。为此,我们提出了一个双域自监督Transformer(DSFormer)加速MC-MRI重建。DSFormer开发了一种深度条件级联Transformer(DCCT),由几个级联的Swin Transformer重建网络(SwinRN)组成,在两种深度条件策略下进行训练,以实现MC-MRI信息共享。我们进一步提出了一个双域(图像和k空间)的DCCT自监督学习策略,以减轻获取完全采样的训练数据的成本。DSFormer生成高保真重建,在实验上优于当前的全监督基线。此外,我们发现DSFormer在完全监督或我们提出的双域自监督下训练时达到了几乎相同的性能。
2022-08-17 cs.CV cs.LG eess.IV
Two-layer clustering-based sparsifying transform learning for low-dose CT reconstruction
University of Michigan - Shanghai Jiao Tong University Joint Institute, Shanghai Jiao Tong University(上海交通大学密西根学院);Michigan State University(密歇根州立大学)
从低剂量计算机断层扫描(LDCT)测量中获得高质量的重建在临床环境中非常重要。基于模型的图像重建方法已被证明是有效的消除LDCT中的伪影。在这项工作中,我们提出了一种方法来学习一个丰富的基于两层聚类的稀疏化变换模型(MCST 2),其中图像补丁及其后续的特征图(滤波器残差)被聚类成组,每组具有不同的学习稀疏化滤波器。我们研究了一种惩罚加权最小二乘法(PWLS)的LDCT重建方法,将学习MCST 2先验。实验结果表明,所提出的PWLS-MCST 2方法相比,其他相关的最新计划的优越性能。
2020-11-01 cs.CV cs.LG eess.IV