Learning the sampling density in 2D SPARKLING MRI acquisition for optimized image reconstruction
SPARKLING算法最初是为压缩感知(CS)背景下的加速2D磁共振成像(MRI)而开发的。它产生非笛卡尔采样轨迹,共同满足目标采样密度,而每个单独的轨迹符合MR硬件约束。然而,SPARKLING的两个主要限制是,首先,最佳目标采样密度是未知的,因此是用户定义的参数,其次,该采样模式生成保持与MR图像重建断开,因此与图像质量的优化断开。最近,已经提出了诸如LOUPE的数据驱动学习方案,以通过联合优化从数据采集到图像重建的整个流水线来学习离散采样模式。在这项工作中,我们将这些方法与最先进的用于图像重建的深度神经网络(称为XPDNET)合并,以学习最佳目标采样密度。接下来,将此密度用作SPARKLING的输入参数,以获得20倍加速的非笛卡尔轨迹。这些轨迹在回顾性压缩感知(CS)研究中进行了测试,并在深度学习(DL)和传统CS重建方案的图像质量方面表现出卓越的性能。
2021-05-31 eess.SP math.OC
Temporal Feature Fusion with Sampling Pattern Optimization for Multi-echo Gradient Echo Acquisition and Image Reconstruction
MRI中的定量成像通常涉及在多回波时间点采集和重建一系列图像,与常规定性成像相比,这可能需要更多的扫描时间和特定的重建技术。在这项工作中,我们专注于优化多回波梯度回波脉冲序列的采集和重建过程的定量磁化率映射作为一个重要的定量成像方法在MRI。在LOUPE-ST的基础上扩展了多回波采样模式优化模块,用于优化回波方向的k空间采样模式。此外,提出了一种递归的时间特征融合块,并将其插入到骨干深度ADMM网络中,以捕获重建过程中信号沿回波时间的演变。实验表明,这两个块有助于提高多回波图像重建的性能。
2021-03-10 eess.IV eess.SP
Graph-Based Signal Sampling with Adaptive Subspace Reconstruction for Spatially-Irregular Sensor Data
针对空间不规则传感器数据的图信号采样问题,提出随采样集自适应的 GFT 插值及采样集选择算法,以定位并最小化带限模型失配误差,实验性能显著优于固定 GFT 方法。
2024-09-14 eess.SP
Efficient sampling and robust 3D diffusion magnetic resonance imaging signal reconstruction
本文提出了新的单壳和多壳采样方案的扩散MRI。在扩散MRI中,最重要的是样本数量尽可能少,以便扫描时间在临床环境中是实用的。所提出的方案使用了有效的数量的测量样本的数量等于用于重建的正交基的自由度。新的重建算法的基础上更小的子系统的线性方程组,相比标准的正则化最小二乘法,单壳和多壳采样计划。在这些新的重建算法中使用的较小的矩阵被设计为良好的条件,从而提高重建精度。通过将正则化结合到新的重建算法中并使用Rician或非中心Chi噪声模型,也实现了准确和鲁棒的重建。我们定量验证我们的单壳和多壳计划对标准的最小二乘重建方法,以表明它们能够更准确的重建时,样本的数量是等于自由度的基础。人脑数据也被用来定性评估重建
2019-01-31 eess.SP
Subset Random Sampling and Reconstruction of Finite Time-Vertex Graph Signals
针对谱支撑未知且采样受限的有限时间-顶点图信号,提出子集随机采样方案与融合LSSP先验的重构框架,并给出高概率重构的充分条件。
2025-08-29 eess.SP
Sampling Schemes for Accurate Reconstruction and Computation of Performance Parameters of Antenna Radiation Pattern
在实践中,在球体上获取球形辐射图案或天线增益的有限数量的样本,以用于天线辐射图案的重构以及诸如方向性和平均有效增益(MEG)之类的移动手持机性能测量的计算。样本的获取非常耗时,因为需要在频率范围内和多个空间方向上收集测量结果。因此,期望具有一种采样策略,该采样策略采用较少数量的样本用于辐射图案和输入信号功率分布的准确重建。在这项工作中,我们提出了使用等角采样,高斯-勒让德采样和最佳维数采样计划的球体上的天线的球形辐射方向图的测量采集其重建,分析和评估的性能参数的天线。通过适当地选择球谐度带限的增益和输入信号的功率分布模型,我们证明了所提出的采样策略需要显着更少的样本数量的准确评估的脑磁图比现有的方法,依赖于近似评估的球面上的表面积分。
2018-11-30 eess.SP
Learning to Sample: Data-Driven Sampling and Reconstruction of FRI Signals
新息率(FRI)信号在雷达、超声和飞行时间成像等应用中无处不在。由于其有限的自由度,FRI信号可以使用适当的采样内核以亚奈奎斯特速率采样,并使用稀疏恢复算法重构。通常,FRI信号的傅立叶样本用于重构。重建质量取决于傅立叶采样和恢复方法的选择。在本文中,我们考虑联合优化傅立叶采样和重建参数的选择。我们的框架是一个贪婪的子采样算法和基于学习的稀疏恢复方法的组合。与现有技术不同,该算法可以灵活地处理采样率的变化,并且在训练过程中不会遇到可微性问题。重要的是,不需要FRI脉冲的精确知识。数值结果表明,对于给定数量的样本,所提出的联合设计导致较低的重构误差的FRI信号相比,独立的数据驱动的设计方法,噪声和干净的样本。我们的学习采样方法可以很容易地应用到其他采样设置,以及包括压缩感知问题。
2021-06-30 eess.SP
Non-Uniform Sampling Reconstruction for Symmetrical NMR Spectroscopy by Exploiting Inherent Symmetry
针对对称核磁共振波谱中弱交叉峰难以准确恢复的问题,提出SCPG采样方案并结合压缩感知重建,利用对称约束提升重建性能,实验证明其优于现有2D Woven PG方法。
2023-09-24 eess.SP
3D Single-pixel imaging with active sampling patterns and learning based reconstruction
本文提出一种基于主动采样模式与深度学习重建的三维单像素成像方法,通过设计模式进行定向扫描采样并利用深度学习实现低采样率下的高精度三维重建。
2022-09-06 eess.IV eess.SP physics.optics
Signal Reconstruction using Blind Super-resolution with Arbitrary Sampling
本文讨论了基于任意采样和原子提升的稀疏信号盲超分辨问题。在对盲超分辨问题进行了全面的描述之后,指出利用长球面波函数(PSWFs)可以推导出盲超分辨问题的一种新的半定规划(SDP)。与以前的结果不同,新提出的SDP可以定位尖峰而不恢复幅度。通过数值模拟比较了该方法与现有相关研究的性能。
2019-07-08 eess.SP
Reconstruction-Cognizant Graph Sampling using Gershgorin Disc Alignment
带噪声的图形采样是图形信号处理中的一个基本问题。以往的工作假设一个无偏最小二乘(LS)信号重建方案,并通过昂贵的极端特征向量计算选择样本greenerously。一个流行的偏置方案,使用图拉普拉斯正则化(GLR)解决了一个系统的线性方程组的重建。假设这种基于GLR的方案,我们提出了一种重建认知采样策略,以最大限度地提高线性系统的数值稳定性- \textit{i.e.},最小化系数矩阵的条件数。具体来说,我们最大限度地提高矩阵的特征值下界,表示的系数矩阵的Gershgorin盘的左端。为了有效地实现这一点,我们提出了一种迭代算法,通过广度优先搜索(BFS)遍历图节点,并使用两个基本操作:盘移位和缩放,在下限阈值$T$对齐所有相应的Gershgorin盘的左端。然后,我们执行二分搜索以在给定样本预算$K$的情况下最大化$T$。在真实图数据上的实验表明,该算法能有效提升大特征值下界,且在不同预算$K$下,重构均方误差与现有采样方法相同或更小,复杂度更低.
2019-02-16 eess.SP
Towards Accelerated Greedy Sampling and Reconstruction of Bandlimited Graph Signals
我们研究的问题,采样和重建频谱稀疏图信号的目标是选择一个子集的节点预先指定的基数,确保插值的原始信号与尽可能低的重建误差。这项任务是至关重要的图信号处理(GSP),而现有的方法通常提供令人满意的性能,他们通常需要一个令人望而却步的计算成本,当涉及到大规模的问题的研究。因此,需要针对高维和大规模采样和重建任务定制的加速和有效的方法。为此,我们首先考虑一个非贝叶斯的情况下,并提出了一个有效的迭代节点采样过程,在无噪声的情况下,使准确的原始信号从选定的节点集的恢复。在噪声测量的情况下,所提出的算法的重建误差上的界限建立。然后,我们考虑贝叶斯的情况下,我们制定的采样任务的问题,最大化单调弱次模函数,并提出了一个随机贪婪算法,找到一个次优子集的信息节点。我们得出最坏情况下的性能保证的均方误差实现的随机化贪婪算法一般非平稳图形信号。
2021-11-23 eess.SP
Sampling and Reconstruction of Bandlimited Signals with Multi-Channel Time Encoding
采样通常通过记录给定时刻输入信号的幅度来执行;然而,当设备的时钟具有未知的偏移时,使用多个设备并行采样和重构信号变得更难解决。或者,可以记录信号(或其积分)穿过给定阈值的时间。例如,这可以模拟整合和激发神经元,并由Lazar和Tóth以“时间编码机器”的名义进行研究。这种采样方法更接近于自然界中的采样方法。在本文中,我们表明,当使用时间编码机,从多个通道的重建有一个更直观的解决方案,并不需要机器之间的移位的知识。我们表明,如果单通道时间编码可以采样和完美地重建一个$\mathbf{2Ω}$的带宽有限的信号,然后$\mathbf{M}$通道时间编码移位积分器可以采样和完美地重建一个信号与$\mathbf{M}$倍的带宽。此外,我们提出了一个算法来执行此重建,并证明它收敛到正确的唯一的解决方案,在无噪声的情况下,没有知识的相对移位之间的机器的积分。这与经典的多通道采样非常不同,在经典的多通道采样中,采样设备之间的未知偏移对完美重建造成了问题。
2019-12-03 eess.SP
Real-time Remote Reconstruction of a Markov Source and Actuation over Wireless
本文研究无线擦除信道下马尔可夫源的实时跟踪与重建问题,提出随机平稳采样传输策略并推导闭式表达式,证明在快速演化场景下该策略最优,否则语义感知策略最佳。
2023-03-31 cs.IT cs.NI cs.SY
Low-complexity Graph Sampling with Noise and Signal Reconstruction via Neumann Series
图采样解决了在图中选择节点子集来采集样本的问题,从而可以高保真地重建K带限信号。假设一个独立同分布(i.i.d.)噪声模型,最小化期望均方误差(MMSE)导致已知的A-最优性标准的图形采样,这是昂贵的计算和难以优化。在本文中,我们提出了一个增强目标的基础上,很好地近似于原来的标准,是适合贪婪优化的诺依曼系列。具体而言,我们表明,移位的A-最优准则可以等效地写为一个理想的低通(LP)图形滤波器,这反过来又可以通过快速图形傅里叶变换(FGFT)有效地近似的函数。最小化新的目标,我们选择节点greenerous没有大的矩阵逆使用矩阵逆引理。此外,对于节点可用性随时间变化的动态网络情况下,我们提出了一种扩展的采样策略,在选定的集合中逐个替换离线样本。对于信号重建,我们提出了一个伴随的偏置信号恢复策略,重新使用近似滤波器从采样。实验表明,我们的重建是更强大的大噪声比最小二乘(LS)解决方案,我们的采样策略远远优于现有的几个计划。
2018-12-05 eess.SP
Joint Low-Dimensional Modeling and Sampling Design for Sparse On-Orbit Antenna Pattern Reconstruction
Key Laboratory of Radio Frequency Heterogeneous Integration, Shenzhen University(深圳大学射频异构集成重点实验室)
针对在轨稀疏测量下卫星天线方向图重建难题,提出协作式框架,采用截断DCT基构建低维模型,结合中点均匀采样与D最优采样,经仿真验证了方法的准确性与样本效率及重建增益。
2026-08-03 eess.SP
Reconstruction of Complex Baseband Signals via M-Periodic Nonuniform Bandpass Sampling and Least-Squares Optimal Time-Varying FIR Filters
本文研究从M周期非均匀采样的实带通信号中重建数字复基带信号,提出一种基于最小二乘法的时变FIR滤波器闭式设计方法,在给定带宽下实现了最小滤波器阶数,优于现有截断技术。
2025-03-06 eess.SP
A-Optimal Sampling and Robust Reconstruction for Graph Signals via Truncated Neumann Series
图信号处理(GSP)研究的是由图描述的不规则数据核上的信号。采样问题是GSP中的一个基本问题,即从图中的哪个节点子集中采集采样,以高保真地重建带限图信号。在本文中,我们寻求一种采样策略,最大限度地减少重建的带限图信号的均方误差(MSE)假设一个独立同分布(iid)的噪声模型-自然导致的A-最优设计标准。为了避免矩阵求逆,我们首先证明了A-最优准则中的信息矩阵的逆矩阵等价于一个Neumann矩阵级数。然后,我们将截断诺依曼级数为基础的采样问题转化为一个等价的表达式,取代拉普拉斯算子的特征向量与一个理想的低通图滤波器的子矩阵。最后,我们使用切比雪夫矩阵多项式来近似理想滤波器。我们设计了一个贪婪算法来迭代地最小化简化的目标。对于信号重建,我们提出了一个伴随的信号重建策略,重用近似滤波器子矩阵,并证明比传统的最小二乘恢复更强大。仿真结果表明,我们的采样策略优于以前的两个策略在MSE性能相当的复杂度。
2018-12-04 eess.SP
Reconstruction Condition of Quantized Signals in Unlimited Sampling Framework
无限采样框架(unlimited sampling framework,USF)理论的最新进展显示了避免模数转换器(analog-to-digital converter,ADC)削波问题的潜力。迄今为止,大多数相关的工作都集中在实值模样本,但很少有报道的量化的影响。在本文中,我们研究了更实际的USF系统,其中模样本被量化到有限数量的比特。特别是,我们提出了关于采样率下限的新要求,以确保从量化模样本中准确恢复原始信号。最小采样率由信号带宽和量化比特共同确定。数值结果表明,在存在量化噪声的情况下,不同波形和带宽的信号在新的最小采样率下都能得到较好的恢复,而在修正前的最小采样率下恢复失败,这也验证了理论的正确性。文中还给出了采样率、量化位数和恢复算法计算复杂度之间的权衡,供实践者权衡。
2020-11-29 eess.SP
On Grid Compressive Sampling for Spherical Field Measurements in Acoustics
本研究提出一种基于等角网格随机采样的声学球面场压缩采样方法,通过周期延拓将Wigner $D$-函数级数重建转化为多维傅里叶域问题,在测量量远低于奈奎斯特采样要求的情况下实现了更优的去噪效果与相当的重建性能。
2022-10-27 eess.SP
Tensor Completion from Regular Sub-Nyquist Samples
信号采样和重构是信号处理的核心工程任务。著名的Shannon-Nyquist定理保证了从均匀样本中完美的信号重建,以信号中最大频率的两倍的速率获得。不幸的是,大量的感兴趣的信号远没有被频带限制。这激发了对从次奈奎斯特样本重建的研究,其主要取决于使用随机/非相干采样程序。然而,从系统设计的角度来看,均匀或规则的采样在实践中更有吸引力,因为它实现起来要简单得多,而且由于系统约束,通常是必要的。在这项工作中,我们研究了三维或更高维信号(张量)的常规采样和重建。我们证明了从常规样本重建张量信号是可行的。在该框架下,样本复杂度由张量秩决定,而不是由信号带宽决定。这一结果为设计实际的规则采样模式和系统提供了新的视角,这些信号是自然张量,例如,图像和视频。针对一个具体的应用,我们证明了功能磁共振成像(fMRI)的加速是一个张量采样问题,并设计了一个实用的采样方案和算法框架,数值结果表明,我们的张量采样策略在不牺牲重建精度的情况下,显著地加速了fMRI的采样过程.
2019-03-01 eess.SP
Acousto-optic reconstruction of exterior sound field based on concentric circle sampling with circular harmonic expansion
NTT Corporation(NTT公司);Atsugi R&D Center(上总研发中心)
本文针对声源位于重建区域内的外部声场重建问题,提出了一种基于同心圆采样与圆谐波展开的二维外部声场重建新方法,实验证明其在使用最少投影数据下优于常规方法。
2025-06-28 cs.SD eess.AS eess.SP
Fast Reconstruction of Three-Quarter Sampling Measurements Using Recurrent Local Joint Sparse Deconvolution and Extrapolation
最近,非规则四分之三采样已经显示出通过使用与相同数量的正方形像素相比不同取向的L形像素来提供图像传感器的提高的图像质量。四分之三采样传感器可以被理解为常规的低分辨率传感器,其中每个正方形像素的一个象限是不透明的。在测量之后,可以使用适当的重建算法在两个空间维度上以两倍的分辨率在规则网格上重建数据。对于这种重建,局部联合稀疏反卷积和外推(L-JEFFECT)表现得非常好。作为一个缺点,L-JPEG 4需要每百万像素几十分钟的长计算时间。在本文中,我们提出了一个更快的版本的L-JEFFECT称为递归L-JEFFECT(RL-JEFFECT),这是一个重新制定的L-JEFFECT。对于合理的周期性测量模式,RL-JSTOM在CPU和GPU上都提供了显著的加速,而不会牺牲图像质量。与L-JEFFECT相比,在CPU和GPU上分别实现了20倍和733倍的加速。
2022-05-05 eess.IV eess.SP
Neuromorphic Sampling of Signals in Shift-Invariant Spaces
本文从采样理论角度研究移不变空间中连续时间信号的神经形态采样,建立其与时间编码的联系,给出完美重建条件与迭代算法,并提出稀疏事件下基于凸优化的近似重建方法。
2023-06-08 eess.SP
Reconstruction of Piecewise-Constant Sparse Signals for Modulo Sampling
Graduate School of Engineering Science, The University of Osaka(大阪大学工学研究科);Institute of Engineering, Tokyo University of Agriculture and Technology(东京农工大学工程学院)
本文提出了一种基于模采样和残差信号稀疏性的算法,用于更准确地重建分段常数稀疏信号。
2026-02-18 eess.SP
On the Impact of Downstream Tasks on Sampling and Reconstructing Noisy Graph Signals
University of Oxford(牛津大学)
本文研究分类任务下的图信号重构与样本选择,提出分类误差的一般理论刻画,并基于此推导出linearized graph convolutional networks的新最优采样方法,实验证明其优于其他基于graph signal processing的方法。
2025-09-13 cs.LG eess.SP
A Novel Scheme for Support Identification and Iterative Sampling of Bandlimited Graph Signals
我们研究了带限图信号的采样和重建问题,其目标是选择一个指定基数的节点子集,以确保原始信号的插值具有最低的重建误差。我们提出了一个有效的迭代选择采样方法,并表明,在无噪声的情况下,原始信号是完全恢复的选定节点的集合。在噪声测量的情况下,所提出的算法的重建误差上的界限建立。我们进一步解决支持识别的带宽有限的信号与未知的支持,并表明,在一个务实的充分条件下,所提出的框架需要最少数量的样本,以完美地识别支持。所提出的方法的有效性说明通过数值模拟合成和现实世界的图形。
2018-07-18 eess.SP
Efficient approximation of Jacobian matrices involving a non-uniform fast Fourier transform (NUFFT)
使用优化方法学习傅立叶域采样策略(特别是用于磁共振成像,MRI)的兴趣越来越大。对于非笛卡尔采样模式,系统模型通常涉及非均匀FFT(NUFFT)操作。常用的NUFFT算法包含频域插值,其对于采样模式不可微,使得梯度方法的使用复杂化。本文介绍了一种高效,准确的方法来计算近似梯度涉及NUFFT。多个数值实验验证了所提出的近似的精度和效率的提高。作为计算成像的应用,NUFFT雅可比矩阵用于通过数据驱动的随机优化来优化非笛卡尔MRI采样轨迹。具体而言,采样模式是相对于各种基于模型的重建算法学习的,包括二次正则化重建和基于压缩感知的重建。所提出的方法使采样优化的图像尺寸是不可行的标准的自动微分方法,由于内存的限制。协同采集和重建导致显着改善的图像质量。事实上,我们表明,基于模型的图像重建(MBIR)的方法与适当优化的成像参数可以执行近以及基于CNN的方法。
2022-12-29 eess.IV eess.SP
Fast Data-Driven Learning of MRI Sampling Pattern for Large Scale Problems
New York University School of Medicine(纽约大学医学院)
目的:提出了一种基于数据驱动的快速优化算法--偏置加速子集选择算法(BASS),用于学习有效的采样模式(SP),以减少大规模并行MRI的扫描时间。研究方法:当特定解剖结构的笛卡尔全采样k空间数据可用于训练并且指定重建方法时,BASS是适用的,学习哪些k空间点与特定解剖结构更相关,并且在恢复非采样点时进行重建。BASS进行了测试与四个并行MRI重建方法的基础上,低秩和稀疏,允许自由选择的SP。两个数据集进行了测试,一个高分辨率成像的大脑图像和另一个膝关节图像的定量映射的软骨。结果:BASS算法计算量小,收敛速度快,比目前最好的贪婪算法快100倍。考虑到相同的扫描时间,我们学习的SP比可变密度和泊松盘SP提供的重建质量提高了45%。可选地,扫描时间可以几乎减半而不损失重建质量。结论:与目前的方法相比,BASS可以用于快速学习有效的SP为各种重建方法,使用更大的SP和更大的数据集。这使得能够针对特定的MRI问题更好地选择有效的采样-重建对。
2020-11-04 cs.LG eess.IV eess.SP
Fractal Compressive Sensing
本文提出基于离散Radon变换的分形压缩感知(FCS)方法,结合伪随机采样与有限傅里叶重建,在CS-MRI欠采样中实现3-5dB的PSNR提升。
2024-01-06 eess.IV eess.SP
ATP-Net: An Attention-based Ternary Projection Network For Compressed Sensing
Beijing University of Posts and Telecommunications(北京邮电大学)
压缩感知(CS)理论同时实现了信号的采样和压缩过程,可以用更少的观测值实现精确的信号恢复,为海量数据更好更快的传输提供了解决方案。针对CS采样矩阵多为随机矩阵,与采样信号无关且存储空间大的问题,提出了一种基于三值采样矩阵的带注意机制的CS采样方法。所提出的方法包括三个部分,即,三值采样、初始重构和深度重构,重点是三值采样。三值化方法(-1,0,+1)的主要思想是在对采样矩阵进行二值化(-1,+1)后,在采样层引入注意力机制来评估参数的重要性,然后对重要性低于预定义阈值的参数进行修剪权重,从而实现三值化。在此基础上,提出了一种基于三值采样矩阵的压缩感知算法,即ATP-Net,用于图像重建,基于注意力的三元投影网络。实验结果表明,采用三值采样矩阵,即,在采样率为0.25时,Set 11的平均PSNR为30.4,比DR 2-Net提高了约6%。
2021-06-24 cs.CV eess.IV eess.SP
NexOP: Joint Optimization of NEX-Aware k-space Sampling and Image Reconstruction for Low-Field MRI
Department of Electrical and Computer Engineering, Technion – Israel Institute of Technology(电气与计算机工程系,技术学院–以色列理工学院);May-Blum-Dahl Technion Human MRI Research Center, Technion - Israel Institute of Technology(May-Blum-Dahl技术学院人类MRI研究中心,技术学院–以色列理工学院);Department of Biomedical Engineering, Technion – Israel Institute of Technology(生物医学工程系,技术学院–以色列理工学院)
NexOP通过深度学习框架联合优化多NEX采集的k空间采样与重建,针对低信噪比场景提升图像质量,实验表明其在不同加速因子和组织对比度下均优于其他方法。
2026-05-12 cs.AI cs.CV cs.LG