Denoising Dictionary Learning Against Adversarial Perturbations
Insight Centre for Data Analytics（洞察数据分析中心）；University College Cork（科克大学学院）
我们提出了去噪字典学习（Doppler Learning，Doppler Learning），这是一种简单而有效的技术，可以作为对抗性扰动的保护措施。我们检查了在两种不同扰动技术（快速梯度符号（FGSM）和雅可比显着图（JSMA））下扰动的MNIST和CIFAR 10上的去噪字典学习。我们对五个不同的深度神经网络（DNN）进行了评估，这些网络代表了最新架构的构建模块，表明了彼此模型复杂性的连续进展。我们发现，每个模型往往捕捉不同的表示基于他们的架构。对于每个模型，我们都记录了它的准确性扰动的测试数据，以前错误分类的高置信度和降噪后的重建使用字典学习。通过峰值信噪比（PSNR）和结构相似性指数（SSI）来评价每个数据点的重建质量。我们表明，在应用（xv）从噪声的原始数据点的重建后，
2018-01-07 cs.LG stat.ML
Robust Non-Linear Matrix Factorization for Dictionary Learning, Denoising, and Clustering
The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）；Cornell University（康奈尔大学）
低维非线性结构广泛存在于计算机视觉和机器学习的数据集中。最近提出了核矩阵分解技术，通过观察足够大的特征空间中的矩阵图像是低秩的，来学习这些非线性结构，用于去噪、分类、字典学习和缺失数据填补。然而，这些非线性方法在稀疏噪声或离群值的存在下失败。在这项工作中，我们提出了一个新的鲁棒非线性分解方法称为鲁棒非线性矩阵分解（RNLMF）。RNLMF通过分解核化特征空间来构建数据空间的字典;然后可以将噪声矩阵分解为稀疏噪声矩阵和位于低维非线性流形中的干净数据矩阵的总和。RNLMF对稀疏噪声和离群值具有鲁棒性，并可扩展到具有数千行和列的矩阵。根据经验，RNLMF在去噪和聚类方面比基线方法取得了显着的改进。
2020-12-02 cs.LG stat.ML
Sparse coding and dictionary learning based on the MDL principle
具有学习字典的稀疏信号编码的能力已经在从信号处理到统计推断和机器学习的各种应用和领域中得到证明。然而，这些模型的统计特性，如欠拟合或过拟合给定的数据集，仍然没有很好地表征在文献中。这项工作的目的是填补这一空白的最小描述长度（MDL）的原则-一个完善的信息理论的方法来统计推断。由此产生的框架派生出一个家庭的有效稀疏编码和建模（字典学习）算法，凭借MDL原则，是完全无参数的。此外，这样的框架允许以自然的方式将额外的先验信息（例如马尔可夫依赖性）并入模型中。我们展示了所提出的框架的性能与图像去噪和分类任务的结果。
2010-10-22 cs.IT math.IT math.ST
An MDL framework for sparse coding and dictionary learning
从信号处理到统计推断和机器学习，稀疏信号建模与学习过完备字典的能力已经在各种应用和领域中得到了证明。然而，这些模型的统计特性，如欠拟合或过拟合给定的数据集，仍然没有很好地表征在文献中。因此，稀疏建模的成功取决于为每个数据和应用程序手动调整关键参数。这项工作的目的是解决这一问题，通过提供一个实际和客观的表征稀疏模型的最小描述长度（MDL）的原则-一个完善的信息理论的方法来选择模型的统计推断。由此产生的框架派生出一个家庭的有效稀疏编码和字典学习算法，凭借MDL原则，是完全无参数。此外，这种框架允许将额外的先验信息纳入现有模型，例如马尔可夫依赖关系，或者以自然的方式定义全新的问题公式，包括矩阵分析领域。这些优点将被证明与经典的图像去噪和分类问题的无参数算法，并在视频应用中的低秩矩阵恢复。
2011-10-11 cs.IT math.IT stat.ML
A Split-and-Merge Dictionary Learning Algorithm for Sparse Representation
Indian Institute of Science（印度科学学院）
在大数据图像/视频分析中，我们遇到了从大型训练数据集学习用于稀疏表示的过完备字典的问题，由于存储和计算限制，这些训练数据集不能立即处理。为了解决这种情况下的字典学习问题，我们提出了一种并行字典学习算法。该算法背后的基本思想是分两个阶段学习稀疏表示。在第一阶段，整个训练数据集被划分为小的不重叠的子集，并在每个小数据库上独立地训练字典。在第二阶段，字典被合并以形成全局字典。我们表明，该算法是有效的，在其使用的内存和计算复杂性，并执行等同于标准的学习策略操作的整个数据的时间。作为应用，我们考虑图像去噪的问题。我们提出了一个比较分析我们的算法与标准的学习技术，使用整个数据库的时间，在训练和去噪性能。我们观察到，分裂和合并算法的结果在一个显着减少的训练时间，而不会显着影响去噪性能。
2014-03-19 cs.LG stat.ML
Denoising and Completion of 3D Data via Multidimensional Dictionary Learning
Tufts University（塔夫茨大学）
本文提出了一种新的多维数据字典学习算法。与大多数传统的用于处理向量或矩阵的字典学习方法不同，我们的算法名为KTSVD，通过[3，12，13]中提出的张量因子分解的新代数方法直接学习多维字典。使用这种方法可以定义一个张量SVD，我们建议扩展K-SVD算法用于1-D数据的K-TSVD算法处理2-D和3-D数据。我们的算法，基于稀疏编码的思想（使用组稀疏多维系数向量），估计一个紧凑的表示和字典学习之间的交替。我们分析了我们的KTSVD算法，并展示了其结果的视频完成和多光谱图像去噪。
2015-12-31 cs.CV cs.DS cs.LG
SharedSAE: a unified sparse dictionary across u-net blocks and denoising time for diffusion models
Hunan University（湖南大学）
SharedSAE是扩散模型中跨U-Net模块和去噪时间的统一稀疏字典，通过特定适配器和时间条件模块实现，可用于概念分析与擦除，能将I2P检测器阳性子集的NudeNet阳性生成从139降至1。
2026-10-14 cs.AI cs.CV cs.LG
CDLNet: Robust and Interpretable Denoising Through Deep Convolutional Dictionary Learning
New York University（纽约大学）
基于深度学习的方法在图像去噪方面拥有最先进的结果，但由于它们是从不太了解的构建块（如批量归一化，残差学习和特征域处理）构建的，因此仍然难以解释。展开优化网络提出了一种可解释的替代方案，通过从经典的迭代优化方法中导出其架构来构建深度神经网络，而不使用标准深度学习工具箱中的技巧。到目前为止，这些方法已经证明了性能接近最先进的模型，同时使用其可解释的结构来实现低学习参数计数。在这项工作中，我们提出了一个展开的卷积字典学习网络（CDLNet），并在低参数和高参数计数机制中展示了其具有竞争力的去噪性能。具体来说，我们表明，该模型优于国家的最先进的去噪模型时，缩放到类似的参数计数。此外，我们利用模型的可解释结构来增强网络的阈值，从而实现最先进的盲去噪性能，并对训练期间看不到的噪声水平进行近乎完美的泛化。
2021-03-05 cs.LG eess.IV
Global Optimality in Separable Dictionary Learning with Applications to the Analysis of Diffusion MRI
Johns Hopkins University（约翰斯·霍普金斯大学）
稀疏字典学习是一种流行的方法，用于将信号表示为从数据中学习的字典中的几个元素的线性组合。在经典设置中，信号被表示为向量，并且字典学习问题被提出为矩阵分解问题，其中数据矩阵被近似分解为字典矩阵和系数的稀疏矩阵。然而，在计算机视觉和医学成像的许多应用中，信号更好地表示为矩阵或张量（例如图像或视频），其中利用数据的多维结构来学习更紧凑的表示可能是有益的。一种这样的方法是可分离字典学习，其中人们针对数据的不同维度学习单独的字典。然而，典型的公式涉及解决非凸优化问题，因此保证全局最优性仍然是一个挑战。在这项工作中，我们提出了一个框架，该框架建立在矩阵分解的最新发展基础上，为可分离字典学习提供了全局最优性的理论和数值保证。我们提出了一个算法来找到这样一个全球性的最优解，它交替以下本地下降步骤和检查证书的全局最优性。我们说明了我们的方法上的扩散磁共振成像（dMRI）数据，一种医学成像模式，测量水扩散沿多个角方向在每个体素的MRI体积。dMRI中的现有技术方法要么仅针对信号的角域学习字典，要么在某些情况下独立地学习空间和角字典。在这项工作中，我们应用所提出的可分离的字典学习框架来学习空间和角度的dMRI字典联合，并提供初步验证去噪幻影和真正的dMRI大脑数据。
2019-09-19 cs.LG math.OC
Computational Intractability of Dictionary Learning for Sparse Representation
University of Minnesota（明尼苏达大学）
在本文中，我们考虑的字典学习问题的稀疏表示。我们首先证明了这个问题是NP-困难的多项式时间减少的denominator切割问题。然后，使用连续凸逼近策略，我们提出了有效的字典学习计划，解决这个问题的几个实际配方的驻点。与文献中的许多现有算法（如K-SVD）不同，我们提出的字典学习方案在理论上保证在一定的温和假设下收敛到稳定点集。对于图像去噪应用，所提出的字典学习方案的性能和效率是可比的K-SVD算法在模拟。
2015-11-05 cs.LG stat.ML
Weakly-supervised Dictionary Learning
Oregon State University（俄勒冈州立大学）
我们提出了一个概率建模和推理框架的判别分析字典学习下的弱监督设置。字典学习方法已被广泛用于低级别信号去噪和恢复以及高级分类任务等任务，这些任务可应用于音频和图像分析。综合字典学习旨在联合学习字典和相应的稀疏系数，以提供准确的数据表示。这种方法对于去噪和信号恢复是有用的，但可能导致次优分类性能。相比之下，分析字典学习提供了一种将数据映射到适合分类的稀疏判别表示的变换。我们考虑了弱监督设置下的时间序列数据的分析字典学习问题，其中信号被分配有全局标签而不是瞬时标签信号。我们提出了一个歧视性的概率模型，采用基数控制的潜在瞬时标签信号的标签信息和稀疏性约束。我们提出了期望最大化（EM）的最大似然估计（MLE）的建议模型的过程。为了便于计算效率的E-步骤，我们提出了一个链和一个新的树图的图形模型的重新制定。所提出的模型的性能证明在合成和真实世界的数据。
2018-02-05 cs.LG eess.SP stat.ML
MRI2Qmap: multi-parametric quantitative mapping with MRI-driven denoising priors
MRI2Qmap通过整合物理模型与深度学习先验，实现无需地面真实数据的高效定量MRI重建，提升高加速成像性能。
2026-03-11 cs.CV cs.LG physics.med-ph
A deep dictionary network-based foundation model for ultra-low-dose CT denoising
Yanshan University（燕山大学）；Capital Medical University（首都医科大学）；Beijing Friendship Hospital（北京友谊医院）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）
针对超低剂量CT去噪中器官特异性方法泛化差的问题，提出基于深度字典网络的可解释基础模型，通过级联稀疏编码与动态字典实现统一多器官去噪，性能超越现有方法。
2026-09-16 cs.CV cs.LG eess.IV
Blind Denoising Autoencoder
术语盲去噪是指在去噪期间从噪声样本本身学习用于去噪的基础的事实。用于盲去噪的基于字典学习和变换学习的公式是众所周知的。但是对于所述盲去噪方法，还没有基于自动编码器的解决方案。到目前为止，基于自动编码器的去噪公式已经在单独的训练数据上学习了模型，并使用学习的模型对测试样本进行去噪。当测试图像（去噪）与学习的模型不属于同一类型时，这种方法就会失败。这将是第一项工作，我们在去噪的同时从噪声样本中学习自动编码器。实验结果表明，我们提出的方法性能优于字典学习（KSVD），变换学习，稀疏堆叠去噪自动编码器和黄金标准的BM 3D算法。
2019-12-11 cs.LG eess.SP
Implicit neural representations for unsupervised super-resolution and denoising of 4D flow MRI
Politecnico di Milano（米兰理工大学）；University of Twente（特温特大学）；University of Bath（巴斯大学）；University of Cambridge（剑桥大学）
4D Flow MRI是一种非侵入性成像方法，可以测量随时间变化的血流速度。然而，由于低分辨率和测量噪声，该技术检测的速度场具有局限性。已经研究了基于坐标的神经网络以提高精度，SIREN适用于超分辨率任务。我们的研究调查SIRENs的时变3方向速度场测量的主动脉4D流动MRI，实现去噪和超分辨率。我们在体素坐标上训练了我们的方法，并使用合成测量和真实的4D流动MRI扫描对我们的方法进行了基准测试。我们优化的SIREN架构优于最先进的技术，从临床数据中产生去噪和超分辨率的速度场。我们的方法可以快速执行，并且可以直接实现新的情况，实现4D超分辨率。
2023-02-24 cs.CV cs.LG eess.IV
Iterative Learning for Joint Image Denoising and Motion Artifact Correction of 3D Brain MRI
提出JDAC框架，通过迭代学习联合处理3D脑MRI中的噪声和运动伪影，包含自适应去噪和抗伪影模型，实验证明其有效性。
2024-03-13 cs.CV cs.LG eess.IV
Robust multi-coil MRI reconstruction via self-supervised denoising
Stanford University（斯坦福大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Intel Corporation（英特尔公司）；MD Anderson Cancer Center（MD安德森癌症中心）；Dell Medical School Department of Diagnostic Medicine（德克萨斯大学戴维斯医学中心诊断医学系）；Oden Institute for Computational Engineering and Sciences（奥登计算工程与科学研究院）
本研究提出将自监督去噪作为预处理步骤，提升基于深度学习的多线圈MRI重建性能，实验表明该方法在不同噪声水平下均能改善重建质量，并可能免除对无噪声参考数据的需求。
2025-05-24 cs.AI cs.CV cs.LG
Patch2Self: Denoising Diffusion MRI with Self-Supervised Learning
Indiana University Bloomington（印第安纳大学伯明顿分校）；CZ Biohub（CZ生物中心）
弥散加权磁共振成像（DWI）是唯一的非侵入性方法，量化微观结构和重建白质通路在活的人类大脑。来自多个来源的波动会在DWI数据中产生显著的加性噪声，必须在随后的微观结构分析之前对其进行抑制。我们介绍了一种自监督学习方法去噪DWI数据，Patch2Self，它使用整个体积来学习该体积的满秩局部线性去噪器。通过利用DWI数据的过采样q空间，Patch2Self可以将结构与噪声分离，而无需明确的模型。我们证明了Patch2Self的有效性，通过定量和定性的改进，在微观结构建模，跟踪（通过纤维束相干性）和模型估计相对于其他无监督的方法对真实和模拟数据。
2020-11-02 cs.CV cs.LG q-bio.QM
Efficient Sum of Outer Products Dictionary Learning (SOUP-DIL) - The $\ell_0$ Method
University of Michigan（密歇根大学）
自然信号和图像在变换域或变换字典中的稀疏性在压缩、去噪和逆问题等应用中得到了广泛的利用。最近，与固定或分析词典模型相比，数据驱动的合成词典适应在许多应用中显示出了希望。然而，字典学习问题通常是非凸和NP难的，并且用于这些问题的通常交替最小化方法通常在计算上是昂贵的，其中计算由NP难合成稀疏编码步骤主导。在这项工作中，我们研究了一种有效的方法$\ell_{0}$“规范”为基础的字典学习，首先近似的训练数据集与稀疏秩一矩阵的总和，然后使用块坐标下降的方法来估计未知数。所提出的块坐标下降算法涉及有效的封闭形式的解决方案。特别地，稀疏编码步骤涉及简单形式的阈值化。我们提供了一个收敛性分析所提出的块坐标下降方法。我们的数值实验表明，我们的方法提供了良好的性能和显着的速度比经典的K-SVD计划在稀疏信号表示和图像去噪。
2017-04-21 cs.LG
Cloud K-SVD for Image Denoising
Aarhus University（奥胡斯大学）
云K-SVD是一种字典学习算法，它可以在多个节点上进行训练，从而产生一个共同的字典来表示图像数据中的低维几何结构。我们提出了一种新的应用程序的算法，因为我们用它来恢复无噪和嘈杂的图像重叠补丁。我们使用Docker容器在Kubernetes中实现了一个节点网络，以促进Cloud K-SVD。实验结果表明，云K-SVD算法可以近似地恢复图像，并在不牺牲恢复精度的前提下，从基准灰度图像中去除可量化的噪声;我们实现了0.88，0.91和0.95之间的干净和恢复图像的噪声水平的SSIM指数（$μ$ = 0，$σ^{2}$ = 0.01，0.005，0.001），这与现场的SOTA类似。Cloud K-SVD显然能够学习跨多个节点的互字典，并从图像中去除AWGN。互字典可用于在网络中的任何节点处恢复特定图像。
2023-03-01 cs.AI cs.CV cs.DC
Integrating Neural Networks and Dictionary Learning for Multidimensional Clinical Characterizations from Functional Connectomics Data
Johns Hopkins University（约翰斯·霍普金斯大学）；Kennedy Krieger Institute（肯尼迪克里格研究所）；Johns Hopkins School of Medicine（约翰斯·霍普金斯医学院）
本文提出融合神经网络与字典学习的统一优化框架，从静息态功能磁共振数据中联合学习基础网络、受试者载荷和预测权重，在52名ASD患者的多评分预测任务中优于现有方法。
2024-11-19 cs.LG stat.ML
Compressive MRI quantification using convex spatiotemporal priors and deep auto-encoders
University of Bath（巴斯大学）；Imago7 foundation（Imago7基金会）；University of Edinburgh（爱丁堡大学）；GE Healthcare（GE医疗）；Technical University of Munich（慕尼黑工业大学）
我们提出了一个字典匹配的多参数定量MRI图像计算的自由管道。我们的方法有两个阶段，基于压缩感知重构和深度学习的定量推理。重建阶段是凸的，并在加速迭代收缩算法中包含有效的时空调节。这最大限度地减少了来自极短扫描时间的欠采样（混叠）伪影。学习的定量推理阶段纯粹是在物理模拟（Bloch方程）上训练的，这些模拟可以灵活地产生丰富的训练样本。我们提出了一个深度和紧凑的自动编码器网络与残留块，以嵌入布洛赫流形投影通过多尺度分段仿射近似，并取代不可扩展的字典匹配基线。在一些数据集上进行测试，我们证明了所提出的方案的有效性，用于从新颖的和积极的二次采样的2D/3D定量MRI采集协议中恢复准确和一致的定量信息。
2020-04-21 cs.CV cs.LG physics.med-ph
Consistency Models for Fast MRI Reconstruction Using Regularization by Denoising
University of Minnesota（明尼苏达大学）；Center for Magnetic Resonance Research（磁共振研究中心）
本研究提出CM-RED方法，将一致性模型整合到去噪正则化框架中，仅用4次网络函数评估，在fastMRI数据集上实现优于现有方法的快速高质量MRI重建。
2026-08-24 cs.AI cs.CV cs.LG
Inference Stage Denoising for Undersampled MRI Reconstruction
School of Engineering, The University of Edinburgh（爱丁堡大学工程学院）；Department of Electrical and Electronic Engineering and I-X, Imperial College London（帝国理工学院电气与电子工程系及I-X）
针对欠采样MRI重建中训练与测试数据分布偏移导致的泛化问题，提出基于条件超参数网络的推理阶段去噪方法，无需数据增强即可在各级高斯噪声下保持稳健性能，并采用超参数采样策略加速训练，在所有设置中实现最高准确性和图像质量。
2024-02-12 cs.CV cs.LG eess.IV
Exact Sparse Orthogonal Dictionary Learning
在过去的十年里，从输入图像中学习字典进行稀疏建模一直是图像处理和压缩感知领域最受关注的研究课题之一。大多数现有的字典学习方法考虑过完备字典，如K-SVD方法，这可能导致高度的相互不一致性，因此对识别产生负面影响。另一方面，稀疏码通常通过添加$\ell_0$或$\ell_1$ -范数惩罚来优化，但没有严格的稀疏性保证。本文提出了一种正交字典学习模型，该模型可以得到严格稀疏码和保证全局序列收敛的正交字典。我们发现，我们的方法可以导致更好的去噪效果比过完备的字典为基础的学习方法，并具有计算效率高的额外优势。
2021-04-24 cs.LG eess.IV
Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising
State University of New York at Buffalo（纽约州立大学布法罗分校）；Cleveland Clinic（克利夫兰诊所）；Paul C. Lauterbur Research Center for Biomedical Imaging, SIAT, CAS（中国科学院深圳先进技术研究院保罗·C·劳特伯生物医学成像研究中心）
针对MRI重建需大量标注数据的问题，提出结合自监督去噪网络与即插即用方法的DURED-Net，借助RED实现去噪网络的应用，在更少训练数据下达到优于现有Noise2Noise类方法的重建效果。
2023-10-05 cs.CV cs.LG eess.IV
SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI
Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital（马萨诸塞州总医院阿蒂努拉·A·马蒂诺斯生物医学成像中心）；Department of Radiology, Harvard Medical School（哈佛医学院放射学系）；Department of Biomedical Engineering, Tsinghua University（清华大学生物医学工程系）；Harvard-MIT Division of Health Sciences and Technology, Massachusetts Institute of Technology（麻省理工学院哈佛-麻省理工健康科学与技术部）
弥散加权图像（DWI）中的噪声降低了弥散张量磁共振成像（DTI）获得的微结构参数的准确性和精度，并导致为提高信噪比（SNR）而延长的采集时间。使用卷积神经网络（CNN）的基于深度学习的图像去噪具有优越的性能，但通常需要额外的高SNR数据来监督CNN的训练，这降低了实际可行性。我们开发了一种名为“SDnDTI”的基于自监督深度学习的方法，用于对DTI数据进行去噪，该方法不需要额外的高SNR数据进行训练。具体而言，SDnDTI将多方向DTI数据划分为许多子集，每个子集由沿着最佳选择的扩散编码方向的六个DWI体积组成，这些方向对张量拟合的噪声具有鲁棒性，然后使用每个数据子集作为CNN的输入数据从拟合的扩散张量合成沿着所有采集方向的DWI体积。另一方面，SDnDTI从使用所有采集的数据作为训练目标拟合的扩散张量合成沿着采集的具有更高SNR的扩散编码方向的DWI体积。SDnDTI使用深层3维CNN从合成DWI体积的每个子集中去除噪声，以匹配更清晰的目标DWI体积的质量，并通过对所有降噪数据子集进行平均来实现更高的SNR。SDnDTI的去噪效果在人类连接组项目（HCP）和寿命HCP老化提供的两个数据集上得到了证明。SDnDTI结果保留了图像清晰度和纹理细节，并在原始数据的基础上大幅改善。SDnDTI的结果与基于监督学习的去噪结果相当，并且优于BM 4D、AONLM和MPPCA等最先进的传统去噪…
2021-11-14 cs.LG eess.IV physics.med-ph
Single-Shell NODDI Using Dictionary Learner Estimated Isotropic Volume Fraction
University of Rochester（罗切斯特大学）
神经突方向弥散和密度成像（NODDI）能够从多壳层弥散MRI数据评估细胞内、细胞外和游离水信号。这是一个有见地的方法来表征脑组织的微观结构。NODDI参数的单壳重建在以前的研究中由于拟合失败而受到阻碍，特别是对于神经突密度指数（NDI）。在这里，我们研究了使用各向同性体积分数（fISO）作为先验，用单壳层数据创建鲁棒NODDI参数图的可能性。先验估计独立的NODDI模型约束，使用字典学习方法。首先，我们使用随机稀疏基于字典的网络（DictNet）来预测fISO，该网络是用从体内和模拟扩散MRI数据中获得的数据进行训练的。在单壳情况下，将平均扩散率（MD）和无扩散加权（S 0）的原始T2信号纳入词典中进行fISO估计。然后，NODDI框架与已知的fISO一起使用来估计NDI和取向分散指数（ODI）。在模拟中，我们的模型估计的fISO与其他fISO估计进行了比较。此外，使用合成数据模拟和在3 T扫描仪上收集的人类数据，我们比较了基于字典的学习先验NODDI（DLpN）与原始NODDI在单壳和多壳数据中的性能。我们的研究结果表明，DLpN衍生的NDI和ODI参数的单壳协议是与原始的多壳NODDI，和协议与b=2000 s/mm 2的表现最好（误差约5%的白质和灰质）。这可能允许NODDI通过对DictNet fISO训练的两个受试者进行多壳扫描来评估单壳数据的研究。
2021-04-04 cs.CV cs.LG eess.IV
Sparse Bayesian Dictionary Learning with a Gaussian Hierarchical Model
University of Electronic Science and Technology of China（电子科技大学）；Stevens Institute of Technology（史蒂文斯理工学院）
我们考虑一个字典学习问题，其目标是设计一个字典，使得信号在学习过的字典上具有稀疏或近似稀疏表示。这样的问题发现了各种各样的应用，如图像去噪，特征提取等，在本文中，我们提出了一种新的分层贝叶斯模型的字典学习，其中高斯逆伽玛分层先验是用来促进稀疏的表示。合适的先验也被放置在字典和噪声方差上，使得它们可以从数据中合理地推断出来。基于层次模型，提出了贝叶斯推理的变分贝叶斯方法和吉布斯抽样方法。所提出的方法的优点是，它们不需要噪声方差\emph{a priori}的知识。数值结果表明，所提出的方法是能够学习字典的准确性比现有的方法，特别是对于有一个有限数量的训练信号的情况下。
2015-03-07 cs.IT cs.LG math.IT
Efficient Sum of Outer Products Dictionary Learning (SOUP-DIL) and Its Application to Inverse Problems
University of Michigan（密歇根大学）
信号在变换域或变换字典中的稀疏性已被用于压缩、去噪和逆问题等应用中。最近，数据驱动的适应综合字典相比，分析字典模型已经显示出希望。然而，字典学习问题通常是非凸和NP难的，并且用于这些问题的通常交替最小化方法通常在计算上是昂贵的，其中计算由NP难合成稀疏编码步骤主导。本文利用驱动K-SVD等算法的思想，并详细研究了聚合稀疏惩罚字典学习的有效方法，首先用稀疏秩一矩阵（外积）的和近似数据，然后使用块坐标下降方法来估计未知数。由此产生的块坐标下降算法涉及有效的封闭形式的解决方案。此外，我们认为字典盲图像重建的问题，并提出了新的和有效的算法，自适应图像重建使用块坐标下降和外积方法的总和。我们提供了一个收敛性研究的字典学习和字典盲图像重建算法。我们的数值实验表明，所提出的方法在稀疏数据表示和基于压缩感知的图像重建中比以前的方案提供了良好的性能和速度。
2017-04-21 cs.LG
Learning a collaborative multiscale dictionary based on robust empirical mode decomposition
Peking University（北京大学）
字典学习在图像处理的许多领域都是一个具有挑战性的课题。基本目标是从过完备基集中学习稀疏表示。由于结合了通用多尺度表示和基于学习的自适应性的优点，多尺度字典表示方法具有捕获自然图像结构特征的能力。然而，现有的多尺度学习方法仍然遭受三个主要的弱点：不适应不同尺度的图像数据，对噪声和离群值的敏感性，难以确定最佳的字典结构。在本文中，我们提出了一种新的多尺度字典学习模式的稀疏图像表示的基础上改进的经验模式分解。这个强大的数据驱动的多维信号分析工具可以根据数据本身的固有模式，完全自适应地将图像分解为多尺度振荡分量。这种处理可以获得一个强大的和有效的稀疏表示，同时产生一个原始的基字典在多个几何尺度和空间频带。该字典是通过基于频率聚类选择最佳振荡原子来改进的。为了进一步增强稀疏性和泛化能力，使用一致性正则化模型学习容差字典。一个快速的邻近计划，以优化这个模型。多尺度字典被认为是振荡字典和容差字典的产物。实验结果表明，所提出的学习方法具有优越的性能在稀疏图像表示相比，几个竞争的方法。我们也展示了有前途的结果在图像去噪应用。
2017-04-04 cs.CV cs.LG
Physics informed guided diffusion for accelerated multi-parametric MRI reconstruction
University of Bristol, Bristol, United Kingdom（英国布里斯托大学）；GE HealthCare, Munich, Germany（德国慕尼黑GE医疗）；University of Zurich, Zurich, Switzerland（瑞士苏黎世大学）
提出MRF-DiPh，一种物理信息引导去噪扩散方法，通过近端分裂结合预训练扩散模型作为先验，并在重建中强制k空间测量一致性与Bloch响应模型约束，有效解决高度加速MRF逆问题，优于深度学习与压缩感知基线。
2025-06-29 cs.LG eess.IV physics.med-ph
MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Chung-Ang University Hospital（中央大学医院）；Chung-Ang University College of Medicine（中央大学医学院）
来自MRI的患者扫描通常遭受噪声，这妨碍了这种图像的诊断能力。作为减轻这种伪影的方法，去噪在医学成像界内外都作为一般主题进行了大量研究。然而，最近的基于深度神经网络的方法主要依赖于最小均方误差（MMSE）估计，这往往会产生模糊的输出。此外，当部署在现实世界中时，这种模型会受到影响：分布外数据，以及偏离通常参数噪声模型的复杂噪声分布。在这项工作中，我们提出了一种新的去噪方法的基础上得分为基础的反向扩散采样，克服了上述所有的缺点。我们的网络仅使用冠状膝关节扫描进行训练，即使在受复杂噪声混合污染的体内肝脏MRI数据中也表现出色。此外，我们提出了一种方法，以提高分辨率的降噪图像与相同的网络。通过大量的实验，我们表明，我们的方法建立了最先进的性能，同时具有理想的属性，以前的MMSE去噪器没有：灵活地选择去噪的程度，并量化不确定性。
2022-03-23 cs.AI cs.CV cs.LG
Diffusion Modeling with Domain-conditioned Prior Guidance for Accelerated MRI and qMRI Reconstruction
Athinoula A. Martinos Center for Biomedical Imaging（阿西努拉·A·马蒂诺斯生物医学成像中心）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
本研究提出一种基于原生数据域条件扩散模型的图像重建方法，利用MRI先验物理知识引导训练和采样，结合梯度下降优化，在高加速因子下实现高精度、高效的静态和定量MRI重建，并具备跨领域泛化潜力。
2023-09-02 cs.LG
Online matrix factorization for Markovian data and applications to Network Dictionary Learning
University of California, Los Angeles（加州大学洛杉矶分校）；University of Michigan（密歇根大学）
在线矩阵分解（OMF）是字典学习问题的基本工具，它通过减少提取特征的数量来近似表示复杂数据集。在文献中，大多数OMF算法的收敛保证假设数据矩阵之间的独立性，并且依赖数据流的情况在很大程度上仍未被探索。在本文中，我们证明了一个非凸推广的著名的OMF算法的i.i.d. \citep{mairal2010online}中的数据流几乎必然收敛到期望损失函数的临界点集，即使数据矩阵是满足温和混合条件的某个底层马尔可夫链的函数。这使得人们可以更有效地从相关数据流中提取特征，因为不需要对数据序列进行二次采样来近似满足独立性假设。作为主要的应用，通过结合在线非负矩阵分解和最近的MCMC算法从网络中采样图案，我们提出了一种新的网络字典学习框架，它以在线方式从给定的网络中提取“网络字典补丁”，对网络的主要特征进行编码。我们展示了这种技术及其在真实网络数据上的网络去噪问题中的应用。
2020-11-07 cs.DS cs.LG math.OC
Self-supervised training of deep denoisers in multi-coil MRI considering noise correlations
Department of Electrical and Computer Engineering, Seoul National University（电气电子工程系，首尔国立大学）；INMC & IPAI, Seoul National University（INMC与IPAI，首尔国立大学）；Division of Computer Engineering, Hankuk University of Foreign Studies（计算机工程系，韩文大学）；Department of Radiology, Johns Hopkins University School of Medicine（放射科，约翰霍普金斯大学医学院）
针对多线圈MRI自监督去噪依赖K空间次优分割的问题，提出Coil2Coil方法，通过线圈间数据拆分组合生成训练对，结合去相关与干净图像匹配策略，实现了媲美监督方法的去噪效果。
2025-06-13 cs.CV cs.LG eess.IV
Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data
Department of Mathematics and Systems Engineering（数学与系统工程系）；Department of Biomedical Engineering & Science（生物医学工程与科学系）；Florida Institute of Technology（佛罗里达理工学院）；A. A. Martinos Center for Biomedical Imaging（A.A. Martinos生物医学成像中心）；Massachusetts General Hospital/Harvard Medical School（麻省总医院/哈佛医学院）；Department of Radiology（放射科）；Embry-Riddle Aeronautical University（艾姆伯-里尔航空大学）
本文提出一种将测量模型嵌入每个反向扩散步骤并迭代数据一致性校正的条件去噪扩散框架，在fastMRI数据集上优于现有方法，显著提升MRI重建的像素保真度与感知真实感。
2025-10-07 cs.CV cs.LG eess.IV
Scale-Agnostic Super-Resolution in MRI using Feature-Based Coordinate Networks
Stanford University（斯坦福大学）
我们建议使用一个坐标网络解码器的任务，超分辨率在MRI。坐标网络的连续信号表示使这种方法能够是尺度不可知的，即，可以在连续的尺度范围上进行训练，随后以任意分辨率进行查询。由于对固有噪声数据执行超分辨率的困难，我们分析了多种去噪策略下的网络行为。最后，我们将此方法与标准卷积解码器进行比较，该解码器使用定量指标和在Voxel中实施的放射科医生研究，Voxel是我们新开发的基于Web的医学图像评估工具。
2022-10-18 cs.CV cs.LG
Denoising diffusion-based MRI to CT image translation enables automated spinal segmentation
Technical University of Munich（慕尼黑工业大学）；Klinikum rechts der Isar（右伊萨尔医院）；University of Zurich（苏黎世大学）；Institut für KI und Informatik in der Medizin（医学人工智能与信息学研究所）；Imperial College London（伦敦帝国学院）
本研究利用去噪扩散模型实现MRI到CT图像转换，通过每椎骨两个地标配准，3D方法优于2D，Dice分数达0.80，实现解剖学准确的自动化脊柱分割。
2023-11-14 cs.CV cs.LG eess.IV
Global hard thresholding algorithms for joint sparse image representation and denoising
传统上，图像的稀疏编码是通过将它们切割成小块并在给定用于每个块的预定数量的非零系数的情况下在某个字典上单独表示每个块来完成的。在缺乏一种方法来有效地分布在所有补丁的非零系数的总数（或全球预算），目前的稀疏恢复算法分布的全球预算，平等地跨越所有补丁，尽管它们之间的结构复杂性的广泛的差异。在这项工作中，我们提出了一个新的框架联合稀疏表示和恢复的所有图像补丁同时进行。我们还提出了两种新的全局硬阈值算法，基于变量分裂的概念，解决联合稀疏模型。使用合成和真实数据的实验表明，该框架的有效性稀疏图像表示和去噪任务。此外，对所提出算法的时间复杂度分析表明，这两种算法具有很高的可扩展性，有利于在大百万像素图像上使用。
2017-05-27 cs.CV cs.LG
Sparse Coding on Cascaded Residuals
Australian National University（澳大利亚国立大学）；Data61/CSIRO（Data61/联邦科学与工业研究组织）
本文试图结合字典学习和分层图像表示的原则。为了使字典原子从扩展的感受野中捕获额外的信息，并获得更好的描述能力，我们提出了一个用于字典学习和稀疏编码的两遍多分辨率级联框架。级联允许使用相同维度的字典原子以不同分辨率进行协作重建。我们共同学习的字典包括适应粗层可用信息的原子，其中原子的支持达到其最大范围，以及补充细节逐渐细化重建目标的残留图像。通过先前层的聚合重建与该层的下采样原始图像之间的差异来计算层处的残差。我们的方法使用更少的系数生成更灵活和准确的表示。它的计算效率源于编码的粗分辨率，这是微不足道的，和编码的残差，这是相对稀疏。我们在多个数据集上进行的大量实验表明，这种新方法在图像编码、去噪、修复和伪影去除任务中的功能强大，优于最先进的技术。
2019-11-07 cs.CV cs.LG eess.IV
