Sparse Bayesian Correntropy Learning for Robust Muscle Activity Reconstruction from Noisy Brain Recordings
School of Computing, Tokyo Institute of Technology（东京技术大学计算机学院）
针对脑记录中非高斯噪声导致稀疏贝叶斯学习性能下降的问题，本文提出将最大相关熵准则融入稀疏贝叶斯学习，实现稳健与稀疏兼顾的肌肉活动重建，并在合成和真实数据上验证了其优越性。
2024-04-01 cs.LG eess.SP q-bio.NC
Sparse Elasticity Reconstruction and Clustering using Local Displacement Fields
Graduate School of Informatics, Kyoto University（京都大学信息学院研究生院）
本文介绍了一种基于弹性体局部位移观测的弹性重建方法。应用稀疏重构理论，建立了包含不可观测区域的弹性重构欠定反问题。提出了一种称为超元素的在线局部聚类方案，以减少优化参数的维数。交替地优化单元边界和弹性参数使得能够以更高的空间分辨率估计弹性分布。仿真实验表明，基于约10%的全身的观察，弹性分布的重建。考虑到弹性分布的稀疏性，估计误差得到了改善。
2019-02-21 cs.LG physics.med-ph stat.ML
When are Diffusion Priors Helpful in Sparse Reconstruction? A Study with Sparse-view CT
Rice University（莱斯大学）；The University of Texas MD Anderson Cancer Center（德克萨斯大学 MD 安德森癌症中心）
本研究通过稀疏视角CT脂肪定量实验，系统比较扩散先验与经典正则化先验，发现扩散先验在极少投影下能恢复更多细节但存在性能平台期和伪真实风险，揭示了其在临床稀疏重建中的潜在问题。
2025-02-04 cs.CV cs.LG eess.IV
TRex: A Tomography Reconstruction Proximal Framework for Robust Sparse View X-Ray Applications
KAUST（阿卜杜拉国王科技大学）；Cairo University（开罗大学）
我们提出了TRex，一个灵活而强大的断层重建框架，使用邻近算法。我们提供了一个概述，并进行了实验比较著名的迭代重建方法在稀疏视图的情况下重建质量。然后，我们推导出四个最佳方法的邻近算子。我们展示了我们的框架的灵活性，通过推导求解两个噪声模型：高斯和泊松，并通过插入三个强大的正则化。我们将我们的框架与最先进的方法进行比较，并在合成和真实数据集上显示出卓越的质量。
2016-06-11 cs.CV cs.LG math.OC
Patch-Based Denoising Diffusion Probabilistic Model for Sparse-View CT Reconstruction
Rensselaer Polytechnic Institute（伦斯勒理工学院）
稀疏视图计算机断层扫描（CT）可以用来大大减少辐射剂量，但受到严重的图像伪影。最近，基于深度学习的稀疏视图CT重建方法引起了人们的极大关注。然而，当神经网络仅在图像域中工作时，它们通常具有有限的去除伪影的能力。基于深度学习的正弦图处理可以实现更好的抗伪影性能，但它不可避免地需要视频存储器中整个图像的特征图，这使得处理大规模或三维（3D）图像变得相当具有挑战性。本文提出了一种基于块的去噪扩散概率模型（DDPM）用于稀疏视图CT重建。基于从全采样投影数据中提取的块训练DDPM网络，然后用于修复下采样投影数据。该网络不需要配对的全采样和下采样数据，从而实现无监督学习。由于数据处理是基于补丁的，因此深度学习工作流可以并行分布，克服了大规模数据的内存问题。实验结果表明，该方法可以有效地抑制少视角伪影，同时忠实地保留纹理细节。
2022-11-18 cs.LG eess.IV eess.SP
Primal-Dual UNet for Sparse View Cone Beam Computed Tomography Volume Reconstruction
University of Magdeburg（马格德堡大学）
在本文中，原始-双重UNet稀疏视图CT重建修改适用于锥束投影和执行重建的整个体积，而不是切片。实验结果表明，在仅使用23个投影的情况下，该方法的PSNR比直接FDK重建提高了10 dB，比改进的原始-对偶网络提高了近3dB。所提出的网络不是优化的wrt。存储器消耗或超参数，而仅仅用作概念的证明，并且限于低分辨率投影和体积。
2022-05-11 cs.CV cs.LG eess.IV
Conditional WGANs with Adaptive Gradient Balancing for Sparse MRI Reconstruction
GE Global Research（GE全球研究中心）；Tel Aviv University（特拉维夫大学）；GE Healthcare（GE医疗）
最近的稀疏MRI重建模型使用深度神经网络（DNN）从高度欠采样的k空间数据重建相对高质量的图像，从而实现更快的MRI扫描。然而，这些技术有时很难重建清晰的图像，在保持自然外观的同时保留精细的细节。在这项工作中，我们通过使用条件Wasserstein生成对抗网络结合一种新的自适应梯度平衡技术来提高图像质量，该技术可以稳定训练并最大限度地减少伪影程度，同时保持高质量的重建，从而产生比其他技术更清晰的图像。
2019-05-02 cs.LG eess.IV stat.ML
Attention-Based Reconstruction of Full-Field Tsunami Waves from Sparse Tsunameter Networks
本文研究基于注意力机制神经网络 Senseiver 的稀疏感知能力，用于从稀疏海啸计观测中重建高分辨率全波场海啸波，并在震中未见于训练集及生成密集观测网络等场景下显著优于传统线性插值方法。
2025-07-19 cs.LG physics.flu-dyn
Visual Attention Emerges from Recurrent Sparse Reconstruction
University of California, Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
视觉注意力有助于在人类视觉中的噪声、腐败和分布偏移下实现稳健的感知，这些都是现代神经网络仍然不足的领域。我们提出了VAR，从递归稀疏重建的视觉注意力，一个新的注意力公式建立在人类视觉注意力机制的两个突出特点：递归和稀疏。相关特征通过神经元之间的循环连接分组在一起，通过稀疏正则化出现突出对象。VARS采用具有周期性连接的吸引子网络，该网络随着时间的推移收敛到稳定的模式。网络层被表示为常微分方程（ODE），将注意力公式化为一个经常性吸引子网络，该网络使用编码底层数据模式的“模板”字典来等效地优化输入的稀疏重建。我们表明，自注意是一个特殊的情况下，VARS的单步优化和稀疏约束。VARS可以很容易地用作流行的视觉Transformer中自注意力的替代品，从而在各种基准测试中不断提高其鲁棒性。代码发布在GitHub（https：//github.com/bfshi/VARS）上。
2022-06-12 cs.CV cs.LG
Deep Learning for Photoacoustic Tomography from Sparse Data
University of Innsbruck（因斯布鲁克大学）
快速准确的图像重建算法的发展是计算机断层扫描的一个核心方面。在本文中，我们研究这个问题的稀疏数据问题的光声层析成像（PAT）。我们开发了一种基于深度学习的直接且高效的重建算法。在我们的方法中，使用深度卷积神经网络（CNN）进行图像重建，其权重在基于一组训练数据的实际图像重建之前进行调整。所提出的重建方法可以被解释为一个网络，该网络使用PAT滤波反投影算法的第一层，其次是U-网架构的其余层。使用深度学习的实际图像重建包括对训练好的CNN的一次评估，这不需要耗时地解决前向和伴随问题。与此同时，我们的数值结果表明，所提出的深度学习方法重建图像的质量与最新的PAT迭代方法从稀疏数据。
2018-08-30 cs.CV cs.LG
Curvature-Regularized Variational Autoencoder for 3D Scene Reconstruction from Sparse Depth
Department of Computer Engineering（计算机工程系）；Islamic Azad University of Tehran, East Branch（泰姬大学塔里克分校）
本文提出基于曲率正则化的变分自编码器，通过离散拉普拉斯算子提升3D场景重建精度，仅需15%训练开销，有效解决稀疏深度数据下的几何误差问题。
2025-12-05 cs.CV cs.LG
DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data
Shiraz University（设拉子大学）
针对光声层析成像稀疏数据重建易产生伪影的问题，提出基于FD-UNet++生成器的端到端生成对抗网络DensePANet，在体内与模拟数据集上表现优于其他主流深度学习技术。
2024-04-19 cs.AI cs.CV cs.LG
A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D Tomographic Image Reconstruction
Stanford University（斯坦福大学）
深度学习为增强生物医学成像的设备提供了巨大的机会，尽管其设计和实现存在潜在的缺陷。从根本上说，大多数深度学习模型完全由数据驱动，没有考虑任何先验知识，这大大增加了神经网络的复杂性，限制了应用范围和模型的泛化能力。在这里，我们建立了一个几何信息的深度学习框架，用于超稀疏三维断层图像重建。我们介绍了一种新的机制，整合成像系统的几何先验。我们证明，无缝列入已知的先验是必不可少的，以提高超稀疏采样的三维体积计算机断层扫描成像的性能。该研究为数据驱动的生物医学成像开辟了新的途径，并有望为各种临床成像和图像引导干预提供实质性改进的成像工具。
2021-05-25 cs.CV cs.LG eess.IV
Kernel Reconstruction ICA for Sparse Representation
Beijing Jiaotong University（北京交通大学）
独立分量分析（ICA）是一种有效的无监督学习统计独立表示的工具。但是ICA不仅对白化敏感，而且难以学习过完备基。因此，软重构代价独立分量分析（RICA）被提出来学习具有过完备基的稀疏表示，即使在未经白化的数据上。而RICA由于其固有的线性特性，不适用于表示具有非线性结构的数据。此外，RICA本质上是一种无监督的方法，不能利用类别信息。在本文中，我们提出了一个核ICA模型与重建约束（kRICA）捕捉非线性特征。为了引入类信息，我们进一步扩展了无监督kRICA的监督之一，通过引入歧视约束，即d-kRICA。这种约束导致学习由来自对应于不同类别标签的不同基子集的基向量组成的结构化基。然后每个子集将稀疏地表示它自己的类，但不表示其他类。此外，属于同一类的数据样本将具有相似的表示，从而学习的稀疏表示可以具有更大的区分能力。实验结果验证了kRICA和d-kRICA用于图像分类的有效性。
2013-04-09 cs.CV cs.LG
WNet: A data-driven dual-domain denoising model for sparse-view computed tomography with a trainable reconstruction layer
Technical University of Munich（慕尼黑工业大学）
提出WNet，一种用于稀疏视图CT去噪的数据驱动双域模型，通过结合两个编码器-解码器网络与可训练的滤波反投影层，在正弦图与重建域同时去噪，显著提升了图像质量。
2023-04-03 cs.CV cs.LG eess.IV
Reconstruction of gene regulatory network via sparse optimization
College of Mathematics and Statistics, Shenzhen University（深圳大学数学与统计学院）
在本文中，我们测试了几个稀疏优化算法的基础上的DREAM5基因调控网络推理挑战赛的公共数据集。研究发现，引入20%的调控网络作为先验已知数据，可以为推理算法的参数选择提供依据，从而提高预测效率和精度。除了测试常见的稀疏优化方法外，我们还通过将它们装袋来开发投票算法。在DREAM5数据集上的实验表明，基于稀疏优化的适度关系推理效果良好，在三个数据集上取得了比官方DREAM5结果更好的结果。然而，传统的独立算法的性能在面对不同的数据集时差异很大，而我们的投票算法在四个数据集中的三个上取得了最好的结果。
2022-11-11 cs.LG math.OC q-bio.MN
MeshSplat: Generalizable Sparse-View Surface Reconstruction via Gaussian Splatting
University of Science and Technology of China（中国科学技术大学）；Shanghai AI Laboratory（上海人工智能实验室）
MeshSplat通过高斯散射实现稀疏视图下的通用表面重建，利用2DGS连接新视图合成与几何先验，提升重建精度。
2025-11-25 cs.AI cs.CV cs.GR
On the Reconstruction Risk of Convolutional Sparse Dictionary Learning
Carnegie Mellon University（卡内基梅隆大学）
稀疏字典学习（SDL）已经成为一种流行的方法，用于自适应地识别数据集的简约表示，这是机器学习和信号处理中的一个基本问题。虽然SDL的大多数工作都假设独立和相同分布的样本的训练数据集，但称为卷积稀疏字典学习（CSDL）的变体放宽了这一假设，允许更一般的顺序数据源，如时间序列或其他相关数据。虽然最近的工作已经探讨了经典SDL的统计特性，CSDL的统计特性仍然没有得到研究。本文开始研究这一点，确定极小极大收敛速度的CSDL重建风险方面，既上限的风险建立CSDL估计和证明匹配的信息理论下界。我们的研究结果表明，重建风险的一致性在“超稀疏”设置中是可能的，其中稀疏性（即，特征出现的次数）在$o(N)$中，就训练序列的长度N而言。值得注意的是，我们的结果做出了非常弱的假设，允许任意字典和相关测量噪声。最后，我们验证了我们的理论结果与数值实验的合成数据。
2018-02-24 cs.IT cs.LG math.IT
