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
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
The First Airborne Experiment of Sparse Microwave Imaging: Prototype System Design and Result Analysis
在本文中,我们报告了稀疏微波成像的第一个机载实验,在2013年9月和2014年5月进行,使用我们的原型稀疏微波成像雷达系统。这是国内首次报道的专门针对稀疏微波成像的成像雷达系统和机载实验。稀疏微波成像是一种新的雷达成像概念,它主要是传统雷达成像技术与新兴的稀疏信号处理理论相结合,既有利于提高现有微波成像系统的成像质量,又有利于设计优化的稀疏微波成像雷达系统,降低系统对稀疏目标场景的采样率。近年来,许多研究人员关注稀疏微波成像的相关课题,但很少有人关注原型系统的设计和实验。本文介绍了我们研制的稀疏微波成像雷达原型系统,包括系统设计、硬件设计和信号处理方法。在系统设计过程中需要考虑采样方案、天线、信噪比、波形、分辨率等设计原则,为了平衡系统的复杂度和性能,我们选择了方位抖动采样和距离均匀采样。成像算法采用加速的$\ell_q$正则化算法。为了测试原型雷达系统,验证稀疏微波成像框架的有效性,利用原型系统进行了机载实验,成功地获得了第一幅稀疏微波图像。以三维相位过渡图为评价工具,分析了不同稀疏度、不同采样率、不同信噪比和不同采样方式下原型稀疏微波雷达系统的成像性能。
2021-10-20 eess.SP
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
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
Single Frame Laser Diode Photoacoustic Imaging: Denoising and Reconstruction
光声(PA)成像的一个新发展是使用紧凑、便携和低成本的激光二极管(LD),但是基于LD的PA成像遭受由传统换能器记录的低信号强度。提高信号强度的常用方法是时间平均,这会降低帧率并增加患者的激光照射。为了解决这个问题,我们提出了一种深度学习方法,该方法将在波束成形之前对PA图像进行降噪,即使只有很少的帧,甚至只有一帧。我们还提出了一种深度学习方法,可以从噪声预波束形成数据中自动重建点源。最后,我们采用了一种去噪和重建相结合的策略,它可以补充重建算法,非常低的信噪比输入。
2022-12-16 eess.IV eess.SP
High-resolution single-pixel imaging in real time with iterative or deep learning-based reconstruction enhancement
本研究提出一种压缩式单像素成像框架,结合专用采样与两阶段重建方法,在低压缩比下实现了DMD原生分辨率的实时高分辨率动态成像,重建速度可匹配采集速率。
2025-09-01 eess.IV 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
Iterative Self-consistent Parallel Magnetic Resonance Imaging Reconstruction based on Nonlocal Low-Rank Regularization
迭代自洽并行成像重建(SPIRiT)是一种有效的并行磁共振成像(PMRI)自校准重建模型。小波系数的联合L1范数和联合总变差(TV)正则化项被纳入SPIRiT模型,以提高重建性能。同时双向低秩(STDLR)在k空间数据被纳入SPIRiT实现改进的重建。最近的方法利用了非局部自相似性(NSS)的图像施加非局部低秩相似补丁,以实现卓越的性能。为了充分利用磁共振(MR)图像中的NSS和k空间域中的校准一致性,我们提出了一种非局部低秩(NLR)SPIRiT模型,该模型将NLR正则化引入SPIRiT模型。我们应用加权核范数(WNN)作为代理的秩,并采用纳什均衡(NE)制定和交替方向的乘数法(ADMM)有效地解决NLR SPIRiT模型。实验结果表明,NLR-SPIRiT的性能优于国家的最先进的方法,通过三个客观的指标和视觉比较。
2022-04-17 eess.IV eess.SP
Sampling and Reconstruction of Signals on Product Graphs
在本文中,我们考虑的问题,二次采样和重建的信号,驻留在一个产品图的顶点,如传感器网络的时间序列,基因组信号,或在社会网络中的产品评级。具体来说,我们利用底层域的产品结构和图因子中的样本节点。所提出的方案是特别有用的处理信号的大规模产品图。采样集是使用低复杂度的贪婪算法设计的,并且可以被证明是接近最优的。为了说明所开发的理论,提供了基于真实数据集的数值实验,用于采样3D动态点云和推荐系统中的主动学习。
2018-06-30 cs.IT eess.SP math.IT
Uncertainty Quantification for Deep Unrolling-Based Computational Imaging
University of Rochester(罗切斯特大学)
深度展开是一种新兴的基于深度学习的图像重建方法,它弥合了基于模型和纯粹基于深度学习的图像重建方法之间的差距。虽然深度展开方法实现了成像问题的最先进性能,并允许将观察模型纳入重建过程,但它们不提供关于重建图像的任何不确定性信息,这严重限制了它们在实践中的使用,特别是对于安全关键成像应用。在本文中,我们提出了一个基于学习的图像重建框架,将观察模型纳入重建任务,并能够量化认识和任意的不确定性,基于深度展开和贝叶斯神经网络。我们证明了所提出的框架的不确定性表征能力的磁共振成像和计算机断层扫描重建问题。我们调查所提出的框架,以激励未来的研究利用不确定性信息,开发更准确的,强大的,值得信赖的,不确定性的,基于学习的图像重建和分析方法的成像问题提供的认识和任意的不确定性信息的特点。我们表明,所提出的框架可以提供不确定性信息,同时实现与最先进的深度展开方法相当的重建性能。
2022-12-19 cs.LG eess.IV eess.SP
Multi-Dimensional Unlimited Sampling and Robust Reconstruction
本文介绍了一种新的多维模拟信号的采样和重构方法。在无限传感框架(USF)的基础上,我们提出了一种新的折叠采样算子,称为多维模滞后,它也与现有的一维模算子向后兼容。与以前的方法不同,所提出的模型是专门针对多维信号。特别是,该模型在2维及以上维度中使用了一定的冗余度,这是用于具有鲁棒性的输入恢复。我们证明了新的运营商是定义良好的,其输出有界的动态范围。对于无噪声的情况下,我们推导出一个理论上有保证的输入重建方法。当输入被高斯噪声损坏时,我们利用更高维度的冗余来提供错误概率的界限,并表明对于足够高的采样率,错误概率下降到0,从而为有噪情况提供新的理论保证。我们的数值例子证实了理论结果,并表明,所提出的方法可以处理显着更大量的噪声相比,USF。
2022-09-14 cs.IT eess.SP math.IT
Joint optimization of system design and reconstruction in MIMO radar imaging
Technion -- Israel Institute of Technology(以色列理工学院)
多输入多输出(MIMO)雷达是主要的深度感测模态之一。然而,多个接收信道的使用导致相对高的成本,并且阻止MIMO在诸如汽车工业的许多领域中的渗透。在过去的几年里,很少有研究集中在设计减少测量方案和图像重建方案的MIMO雷达,但这些问题已经被单独解决到目前为止。另一方面,最近的光学计算成像的工作已经证明了越来越多的成功的同时学习为基础的设计的采集和重建方案,表现出显着改善重建质量。受这些成功的启发,在这项工作中,我们建议学习MIMO采集参数的形式接收(Rx)天线单元的位置与图像神经网络为基础的重建。为此,我们提出了一种算法,用于以可区分的方式训练组合的采集-重建管道端到端。我们证明了使用我们学到的采集参数的意义,有和没有神经网络重建。
2021-10-07 cs.CV cs.LG 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
Model-based Deep Medical Imaging: the roadmap of generalizing iterative reconstruction model using deep learning
Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(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);Research center for Medical AI, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院医学人工智能研究中心);Nanchang University(南昌大学);University at Buffalo, the State University of New York(纽约州立大学布法罗分校)
医学影像学在临床中发挥着越来越重要的作用。然而,在不同的成像模式中存在几个问题,例如MRI中成像速度慢,CT和PET中的辐射损伤。因此,加速MRI、降低CT和PET中的辐射剂量一直是自其发明以来一直在进行的研究课题。通常,获取较少的数据是解决这些问题的直接但重要的策略。然而,较少的采集通常会导致重建中的混叠伪影。最近,深度学习(DL)已被引入医学图像重建,并显示出显着加快MR重建和降低辐射剂量的潜力。本文提出了一种将重建模型与深度学习相结合的通用框架,以最大限度地发挥深度学习和基于模型的重建的潜力,并给出了示例来演示使用深度学习展开不同算法的性能和要求。
2019-09-05 cs.CV eess.SP math.OC