Hyperspectral Image Denoising Employing a Spatial-Spectral Deep Residual Convolutional Neural Network
Wuhan University（武汉大学）
高光谱图像去噪是提高高光谱图像解译和应用性能的关键预处理过程。在本文中，针对该任务提出了一种新的基于深度学习的方法，通过使用组合的空间-频谱深度卷积神经网络（HSID-CNN）来学习噪声和干净HSI之间的非线性端到端映射。空间和光谱信息同时分配给建议的网络。此外，分别采用多尺度特征提取和多层次特征表示来获取多尺度空间-光谱特征，并将不同层次的特征表示进行融合，最终实现图像的恢复。仿真和真实数据实验表明，该方法在量化评价指标、视觉效果和HSI分类准确率方面均优于许多主流方法。
2018-08-11 cs.CV
An efficient CNN for spectral reconstruction from RGB images
ETH Zurich（苏黎世联邦理工学院）
最近，Galliani等人通过深度学习方法实现了基于RGB图像的单图像光谱重建任务，即光谱超分辨率。所提出的非常深的卷积神经网络（CNN）在最近的大型基准测试中取得了优异的性能。然而，Aeschbacher等人表明，基于A+的浅层学习方法可以实现相当的性能，A+是一种由Alfrefte等人引入的图像超分辨率方法。在本文中，我们提出了一种中等深度的CNN模型，并在三个光谱重建标准基准测试中大幅提高了报告的性能：ICVL，CAVE和NUS。
2018-04-12 cs.CV
Deeply Learned Spectral Total Variation Decomposition
University of Cambridge（剑桥大学）；Technion - Israel Institute of Technology（以色列理工学院）
基于单齐次泛函（如全变分）的图像非线性谱分解在过去几年中得到了相当大的关注。由于它们能够提取对应于不同尺寸和对比度的对象的光谱分量，因此这种分解能够实现滤波、特征转移、图像融合和其他应用。然而，获得这种分解涉及解决多个非光滑优化问题，因此计算量很大。在本文中，我们提出了一个神经网络逼近的非线性谱分解。我们报告高达四个数量级（$\times 10,000$）的百万像素大小的图像处理的加速，相比经典的GPU实现。我们提出的网络TVSpecNET能够隐式地学习底层PDE，尽管完全是数据驱动的，但它继承了基于模型的变换的不变性。据我们所知，这是学习图像非线性谱分解的第一种方法。我们不仅获得了惊人的计算优势，而且这种方法也可以被视为研究神经网络的一步，这种网络可以将图像分解为用户定义的光谱分量，而不是手工制作的函数。
2020-10-21 cs.CV cs.LG eess.IV
Hybrid Deep Learning for Hyperspectral Single Image Super-Resolution
Department of Computer Science, Aalto University, Finland（计算机科学系，艾尔沃斯大学，芬兰）
针对高光谱单图像超分辨率中空间细节恢复与光谱保真难以兼顾的问题，提出可集成到2D卷积架构的SSUF模块和定制空间-光谱梯度损失，构建的混合深度学习模型在降低复杂度的同时取得了有竞争力的性能。
2025-09-26 cs.AI cs.CV cs.LG
Physics-Guided Deep Unfolding for Blind Cross-Sensor Spectral Super-Resolution via Learning the Spectral Transformation Function
Center for Geo-Spatial Information, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（地理信息中心，深圳先进技术研究院，中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Shenzhen Engineering Laboratory of Ocean Environmental Big Data Analysis and Application（深圳海洋环境大数据分析与应用工程实验室）
提出一种物理引导的深度展开网络PGU-Net，通过交替优化联合估计高光谱图像和可学习的光谱变换函数，解决盲跨传感器光谱超分辨率问题。
2026-06-04 cs.CV
Watch your Up-Convolution: CNN Based Generative Deep Neural Networks are Failing to Reproduce Spectral Distributions
Fraunhofer ITWM（弗劳恩霍夫信息技术与工程研究所）；University of Heidelberg（海德堡大学）；University Mannheim（曼海姆大学）；Offenburg University（奥芬堡应用技术大学）
生成卷积深度神经网络，例如流行的GAN架构，依赖于基于卷积的上采样方法来产生非标量输出，如图像或视频序列。在本文中，我们表明，常见的上采样方法，即称为上卷积或转置卷积，导致这种模型无法正确再现自然训练数据的光谱分布。这种效果与底层架构无关，我们证明它可以用来轻松检测生成的数据，如deepfakes，在公共基准测试中的准确率高达100%。为了克服当前生成模型的这一缺点，我们建议在训练优化目标中添加一个新的谱正则化项。我们表明，这种方法不仅可以训练频谱一致的GANs，避免高频错误。此外，我们表明，频谱的正确近似对生成网络的训练稳定性和输出质量有积极的影响。
2020-03-03 cs.CV eess.IV
A lightweight deep learning based cloud detection method for Sentinel-2A imagery fusing multi-scale spectral and spatial features
云是影响光学遥感图像可用性的一个非常重要的因素。最近，基于深度学习的云检测方法已经超过了基于规则和云的物理模型的经典方法。然而，大多数这些深层模型都非常大，这限制了它们的适用性和可解释性，而其他模型没有利用多光谱图像（如Sentinel-2）中的全光谱信息。在本文中，我们提出了一个轻量级的云检测网络，融合了多尺度光谱和空间特征（CDFM 3SF），并为处理Sentinel- 2A图像中的所有光谱波段而量身定制。所提出的方法包括一个编码器和一个解码器。在编码器中，三个输入分支被设计为处理光谱带在其原生分辨率和提取多尺度光谱特征。设计了三个新的组件：一个混合的深度可分离卷积（MDSC）和一个共享和扩张的残差块（SDRB）提取多尺度空间特征，和一个级联和求和（CS）操作融合多尺度光谱和空间特征，计算量小，没有额外的参数。CD-FM 3SF解码器输出与输入波段相同分辨率的3个云模板，增强了小、中、大云的监控信息。为了验证所提出的方法的性能，我们手动标记了36个均匀分布在中国大陆的Sentinel-2A场景。实验结果表明，CD-FM 3SF在准确性和速度方面优于传统的云检测方法和最先进的基于深度学习的方法。
2021-04-29 cs.CV eess.IV
Spectral2Spectral: Image-spectral Similarity Assisted Spectral CT Deep Reconstruction without Reference
Department of Electrical and Computer Engineering, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校电气与计算机工程系）
针对光子计数探测器光谱CT噪声问题，提出无监督迭代深度网络Spectral2Spectral，利用图像-光谱结构相似性先验正则化，在三个临床前数据集上超越现有方法。
2023-11-16 cs.CV cs.LG eess.IV
Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging
Zhejiang University（浙江大学）；Westlake University（西湖大学）；School of Engineering, Westlake University（西湖大学工程学院）；Xidian University（西安电子科技大学）；School of Cyber Engineering, Xidian University（西安电子科技大学网络与工程学院）；Beijing Institute of Technology（北京理工大学）；School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）
针对快照光谱压缩成像重建中的病态问题和细节缺失瓶颈，提出利用潜在扩散模型生成无退化先验，并结合轻量级模型在深度展开去噪器中生成知识先验指导重建，显著提升了重建质量与计算效率。
2024-08-24 cs.CV eess.IV
Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection
Hamburg University of Technology（汉堡工业大学）；University of Bonn（波恩大学）；Klinikum Braunschweig（布伦瑞克医院）；University Medical Center Hamburg-Eppendorf（汉堡-埃彭多夫大学医学中心）
头颈部肿瘤的早期发现对患者的生存至关重要。通常，诊断是基于喉的内窥镜检查，然后进行活检和组织学分析，由于主观评估，导致观察者之间的差异很大。在这方面，独立于临床医生的早期非侵入性诊断将是一个有价值的工具。最近的一项研究表明，高光谱成像（HSI）可用于头颈部肿瘤的非侵入性检测，因为癌前病变或癌性病变显示出将其与健康组织区分开来的特定光谱特征。然而，HSI数据处理是具有挑战性的，由于高光谱变化，各种图像干扰，以及数据的高维数。因此，自动HSI分析的性能受到限制，到目前为止，大多数离体研究都是通过深度学习进行的。在这项工作中，我们分析了用于体内高光谱喉癌检测的深度学习技术。为此，我们设计和评估卷积神经网络（CNN），其具有2D空间或3D空间-频谱卷积，并结合最先进的Densenet架构。为了进行评估，我们使用口腔或口咽HSI的体内数据集。总的来说，我们提出了基于HSI的体内喉癌检测的多种深度学习技术，并且我们表明，从空间域和谱域联合学习可以显着提高分类准确性。我们的3D空间光谱Densenet实现了81%的平均准确度。
2020-04-21 cs.CV eess.IV
Needle tip force estimation by deep learning from raw spectral OCT data
Institute of Medical Technology, Hamburg University of Technology（汉堡工业大学医学技术研究所）
目的.针放置对于诸如活检或近距离放射治疗的应用是具有挑战性的问题。尖端力感测可以为组织内的针导航提供有价值的反馈。为此，光纤传感器可以直接集成到针尖中。光学相干断层扫描（OCT）可用于对组织成像。在这里，我们研究如何校准OCT以感测力，例如在机器人针放置期间。方法.我们研究了在没有典型图像重建的情况下使用原始光谱OCT数据是否可以改善光学信号和力之间基于深度学习的校准。为此，我们考虑了三种不同的针，它们具有一种新的、更鲁棒的设计，使用卷积神经网络（CNN）进行校准。我们将训练CNN与原始OCT信号和重建的深度剖面进行比较。结果我们发现，使用原始数据作为最大CNN模型的输入优于使用重建数据，平均绝对误差为5.81 mN，而不是8.04 mN。结论.我们发现，使用原始光谱OCT数据进行深度学习可以改善力估计任务的学习。我们的针头设计和校准方法构成了一个非常精确的光纤传感器，用于测量针尖处的力。
2020-06-30 cs.CV eess.IV
A Deep Unfolding Framework for Diffractive Snapshot Spectral Imaging
State Key Laboratory of Extreme Photonics and Instrumentation, Zhejiang University（极端光子学与仪器国家重点实验室，浙江大学）
针对衍射快照光谱成像（DSSI）系统独特光学编码机制导致现有算法兼容性不足的问题，提出衍射深度展开（DDU）框架，通过推导数据保真度项解析解和采用网络初始化策略，在保证参数与计算复杂度的同时提升重建性能，为DSSI展开方法提供基础。
2025-07-07 cs.CV eess.IV
Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging
Xidian University（西安电子科技大学）；Bell Labs（贝尔实验室）
在编码孔径快拍光谱成像（CASSI）系统中，可以从一张快拍的压缩图像中重建真实世界的高光谱图像（HSI）。基于模型的HSI重建方法采用手工制作的先验来解决重建问题，但由于这些手工制作的先验的表示能力差，其中大多数取得了有限的成功。基于深度学习的方法直接学习压缩图像和HSI之间的映射，取得了更好的结果。然而，设计一个强大的深度网络来实现令人满意的结果并非易事。在本文中，我们提出了一种新的HSI重建方法的基础上最大后验（MAP）估计框架，使用学习高斯尺度混合（GSM）的先验。不同于使用手工制作的尺度先验的现有GSM模型（例如，Jeffrey先验），我们建议通过深度卷积神经网络（DCNN）学习尺度先验。此外，我们还提出了估计GSM模型的局部均值的DCNN。MAP估计算法的所有参数和DCNN参数通过端到端训练联合优化。在合成数据集和真实数据集上的大量实验结果表明，该方法优于现有的最先进的方法。该代码可在https://see.xidian.edu.cn/faculty/wsdong/Projects/DGSM-SCI.htm上获得。
2021-03-30 cs.CV eess.IV
Time-Space tradeoff in deep learning models for crop classification on satellite multi-spectral image time series
Univ. Paris-Est（巴黎东部大学）；IGN-ENSG（法国地理学院-国立地理科学学校）；EA G&E Bordeaux INP（波尔多国立理工学院EA G&E团队）
在这篇文章中，我们研究了几种用于多光谱时间序列作物类型分类的结构化深度学习模型。特别是，我们的目标是评估在这些数据的空间和时间结构的各自的重要性。为了实现这一目标，我们考虑了卷积、递归和混合神经网络的几种设计，并在免费提供的Sentinel-2图像的大型数据集上评估了它们的性能。我们发现，性能最好的方法是混合配置的大部分参数（高达90%）被分配到建模的时间结构的数据。因此，我们的研究结果构成了一套指导方针，用于设计定制的作物类型分类深度学习模型。
2019-01-29 cs.CV cs.LG eess.IV
A Fast Alternating Minimization Algorithm for Coded Aperture Snapshot Spectral Imaging Based on Sparsity and Deep Image Priors
National University of Singapore（新加坡国立大学）；University of Delaware（特拉华大学）
针对CASSI高光谱重建在少测量、多通道下的不适定问题，提出融合稀疏性与DIP的无训练快速交替最小化算法Fama-SDIP，并在仿真和真实数据集上取得领先性能。
2022-06-12 cs.CV eess.IV physics.optics
Deep-learning-based on-chip rapid spectral imaging with high spatial resolution
光谱成像扩展了传统彩色相机的概念，可以跨多个光谱通道捕获图像，具有广阔的应用前景。传统的基于扫描法的光谱相机存在采集速度慢、体积大等缺点。基于元表面滤波器的片上计算光谱成像为便携式应用提供了一种很有前途的方案，但逐点迭代光谱重建的计算时间长，重建的光谱图像存在马赛克效应。在这项研究中，我们展示了通过基于深度学习的光谱数据立方体重建来消除光谱图像中的马赛克效应的片上快速光谱成像。实验结果表明，该方法比迭代光谱重建速度提高了4个数量级，对标准色板的光谱重建保真度达到99%以上。特别是，我们展示了用于移动物体和户外驾驶场景的视频速率光谱成像，具有良好的识别同色异谱的性能，其中可以通过光谱区分单色天空和白色汽车，显示了自动驾驶和智能感知领域其他实际应用的巨大潜力。
2023-01-16 eess.IV physics.optics
Deep Scene-Driven Ordering of Hadamard Basis for Single-Pixel Spectral Imaging
Universidad Industrial de Santander（坎塔布大学）
研究针对单像素光谱成像中因传感器成本高及现有方法局限性导致的问题，提出重新构建深度光学编码设计框架，引入基于场景特征的哈达玛矩阵场景驱动排序，经实验验证该方法可有效提升光谱图像质量。
2026-07-17 eess.IV
Compressive Spectral Image Reconstruction using Deep Prior and Low-Rank Tensor Representation
压缩光谱成像（CSI）已经成为一种替代的光谱图像采集技术，它减少了测量的数量，需要恢复过程的成本。一般来说，重建方法是基于手工制作的先验，用作优化算法中的正则化器，或最近的深度神经网络用作图像生成器，以学习从低维压缩测量到图像空间的非线性映射。然而，这些数据驱动的方法需要许多光谱图像，以获得良好的性能。在这项工作中，提出了一个没有训练数据的CSI深度恢复框架。所提出的方法基于以下事实：一些深度神经网络的结构和适当的低维结构足以施加来自CSI的底层光谱图像的结构。我们通过Tucker表示分析了低维结构，在第一个网络层建模。该方案通过最小化压缩测量和预测测量之间的$\ell_2$范数距离来获得，并且在前向算子之前形成期望的恢复光谱图像。仿真和实验结果验证了该方法的有效性。
2021-05-07 eess.IV math.OC
Variable Resolution Sampling and Deep Learning Image Recovery for Accelerated Multi-Spectral MRI Near Metal Implants
Medical College of Wisconsin（威斯康星医学院）
本研究针对金属植入物附近多光谱MRI伪影多、采集效率低的问题，提出可变分辨率采样结合U-Net深度学习重建的方法，可提升约40%采集效率，图像质量优于传统重建，有望优化相关MRI检查。
2024-10-30 cs.AI cs.CV eess.IV
Spectral Bandwidth Recovery of Optical Coherence Tomography Images using Deep Learning
Simon Fraser University（西蒙弗雷泽大学）；Wake Forest University School of Medicine（维克森林大学医学院）；University of British Columbia（不列颠哥伦比亚大学）；University College London（伦敦大学学院）
光学相干断层扫描（OCT）捕获横截面数据，并用于视网膜疾病的筛查，监测和治疗计划。提高采集速度的技术发展往往导致系统的光谱带宽更窄，因此轴向分辨率更低。传统上，基于图像处理的技术已被用于重建二次采样的OCT数据，最近，基于深度学习的方法已被探索。在这项研究中，我们模拟降低轴向扫描（A-扫描）的分辨率，高斯窗在谱域和调查使用的学习为基础的方法进行图像特征重建。在预期的分辨率降低，伴随着宽场OCT系统，我们建立在超分辨率技术，探索方法，以更好地帮助临床医生在他们的决策，以改善患者的结果，通过重建丢失的功能，使用像素到像素的方法与改变超分辨率生成对抗网络（SRGAN）架构。
2023-01-02 cs.AI cs.CV eess.IV
Deep Learning based Spectral CT Imaging
能谱CT在降低辐射剂量、去除金属伪影、组织定量和材料鉴别等方面的应用引起了人们的广泛关注。X射线能量谱被划分为多个仓，每个能量仓特定投影具有比电流积分对应物低的信噪比（SNR），这使得图像重建成为独特的挑战。传统智慧是使用基于先验知识的迭代方法。然而，这种方法需要很大的计算成本。受深度学习的启发，我们首先开发了一种基于深度学习的重建方法;即，具有L_p^p-范数、全变差、残差学习和各向异性自适应（ULTRA）的U-网络。具体来说，我们强调了各种多尺度特征融合和多通道滤波增强，并采用更密集的连接编码架构进行残差学习和特征融合。为了解决与$L_2^2$ -损失相关的图像去模糊问题，我们提出了一种通用的$L_p^p$ -损失，$p>0$。此外，来自不同能量箱的图像共享相同对象的相似结构，表征不同能量箱的相关性的正则化被并入到$L_p^p$ -损失函数中，这有助于将基于深度学习的方法与基于传统压缩感知的方法统一起来。最后，采用各向异性加权总变分来表征空间-谱域的稀疏性，以正则化所提出的网络。特别是，我们验证了我们的ULTRA网络上的三个大规模的光谱CT数据集，并获得优异的结果相对于竞争的算法。总之，我们在数值模拟和临床前实验中的定量和定性结果表明，我们提出的方法是准确的，有效的和强大的高质量的光谱CT图像重建。
2021-08-25 eess.IV
Deep Coding Patterns Design for Compressive Near-Infrared Spectral Classification
Universidad Industrial de Santander（桑坦德工业大学）
压缩光谱成像（CSI）已经成为一种有吸引力的压缩和感测技术，主要用于感测传统系统导致高成本的光谱区域，例如近红外光谱。最近，已经表明，频谱分类可以直接在压缩域中执行，考虑嵌入在测量中的频谱信息的量，跳过重建步骤。因此，分类质量直接取决于在感测步骤中采用的编码模式的集合。因此，这项工作提出了一种端到端的方法来联合设计CSI中使用的编码模式和网络参数，直接从嵌入式近红外压缩测量中执行频谱分类。通过对三维编码孔径快拍光谱成像（3D-CASSI）系统的仿真，验证了该方法的分类精度优于传统方法和随机方法，最高可达10%。
2022-05-27 cs.LG eess.IV math.OC
Cross Spectral Image Reconstruction Using a Deep Guided Neural Network
提出一种高度正则化的深度引导神经网络DGNet，结合新数据增强过程生成跨光谱内容，用于跨光谱相机阵列的图像重建，在PSNR、SSIM及运行时间上均显著优于现有技术。
2023-09-14 eess.IV
Deep learning based electrical noise removal enables high spectral optoacoustic contrast in deep tissue
Helmholtz Zentrum München（慕尼黑亥姆霍兹中心）；Technical University of Munich（慕尼黑工业大学）
在多光谱光声层析成像（MSOT）中，所获取的光声信号中的电噪声和干扰会严重降低图像的对比度。信号处理技术已被证明不足以消除电噪声的影响，因为它们通常依赖于简化的模型并且不能捕获信号和噪声的复杂特性。此外，它们通常涉及不适合实时成像应用的耗时的处理步骤。在这项工作中，我们开发并演示了一种判别式深度学习（DL）方法，用于在图像重建之前将电噪声与光声信号分离。所提出的DL算法基于两个关键特征。首先，它通过使用整个光声正弦图作为输入来学习噪声和信号中的时空相关性。其次，它采用基于实验获得的纯噪声和合成光声信号的大数据集的训练。我们验证了训练模型准确去除合成数据以及体模和人类乳房的光声图像上的电噪声的能力。我们表现出显着的增强形态和光谱光声图像达到19%更高的血管对比度和局部光谱对比度在深度超过2厘米的图像在体内采集。我们讨论了如何建议的去噪框架适用于临床多光谱光声层析成像，并适合实时操作。
2021-02-24 cs.LG eess.IV
Multispectral Snapshot Image Registration Using Learned Cross Spectral Disparity Estimation and a Deep Guided Occlusion Reconstruction Network
本文提出一种多光谱快照图像配准方法，通过跨光谱视差估计网络、逐层遮挡检测和深度引导重建网络，在PSNR提升超3 dB的同时大幅降低运行时间。
2024-06-17 eess.IV
Reliable Explainability of Deep Learning Spatial-Spectral Classifiers for Improved Semantic Segmentation in Autonomous Driving
University of the Basque Country（巴斯克大学）
针对现有显著性方法可靠性不足的问题，提出利用DNN层激活与权重数据解释HSI驱动的空谱分类器的新方法，验证HSI对自动驾驶语义分割的性能增益及光谱归一化的鲁棒性提升作用。
2025-02-20 cs.AI cs.LG eess.IV
JR2net: A Joint Non-Linear Representation and Recovery Network for Compressive Spectral Imaging
Universidad Industrial de Santander（桑坦德工业大学）
深度学习模型是压缩光谱成像（CSI）恢复的最新技术。这些方法使用深度神经网络（DNN）作为图像生成器，以学习从压缩测量到光谱图像的非线性映射。例如，深光谱先验方法在优化算法中使用卷积自动编码器网络（CAE），以通过使用非线性表示来恢复光谱图像。然而，CAE训练与恢复问题分离，这不能保证CSI问题的光谱图像的最佳表示。这项工作提出了一个联合非线性表示和恢复网络（JR2net），将表示和恢复任务连接到一个单一的优化问题。JR2net由一个遵循ADMM公式的优化启发网络组成，该网络学习非线性低维表示，同时执行光谱图像恢复，通过端到端方法进行训练。实验结果表明，该方法的优越性与提高高达2.57 dB的峰值信噪比和性能约2000倍的速度比国家的最先进的方法。
2022-09-09 cs.LG eess.IV
Spectral Decomposition in Deep Networks for Segmentation of Dynamic Medical Images
Stanford University（斯坦福大学）
动态对比增强磁共振成像（DCE-MRI）是临床实践中常规使用的广泛使用的多相位技术。动态医学数据的DCE和类似数据集倾向于包含关于空间和时间分量的冗余信息，这些信息可能与感兴趣对象的检测不相关，并且导致具有长训练时间的不必要的复杂计算机模型，由于大量的噪声异构数据，这些计算机模型在测试时也可能表现不佳。这项工作试图通过确定空间和频谱分量中的冗余信息来提高深度网络的训练效率和性能，并表明分割精度的性能可以保持并可能得到改善。报告的实验包括对由儿科DCE患者的腹部图像组成的异质数据集的训练/测试功效的评估，表明大幅数据减少（高于80%）可以保留分割模型的动态信息和性能，同时有效地抑制图像的噪声和不需要的部分。
2020-09-30 cs.AI eess.IV physics.med-ph
A novel deep learning-based method for monochromatic image synthesis from spectral CT using photon-counting detectors
Tsinghua University（清华大学）；Key Laboratory of Particle & Radiation Imaging (Tsinghua University), Ministry of Education（教育部粒子与辐射成像重点实验室（清华大学））
随着光子计数探测器（PCD）技术的发展，具有材料分辨潜力的能谱CT技术受到广泛关注。然而，由于探测器的串扰和脉冲堆积等非理想因素，不经任何校正直接从探测到的光谱进行重建会得到错误的结果。传统的方法试图使用校准来对这些因素进行建模，并相应地进行校正，但这取决于模型的精确性。为了解决这个问题，本文提出了一种新的基于深度学习的正弦图域单色图像合成方法。与以往针对这一问题的基于深度学习的方法不同，我们根据串扰的物理模型设计了一种新颖的网络架构，可以巧妙地解决这一问题。我们的方法进行了测试，锥束CT（CBCT）系统配备了PCD。在校正后的投影上使用FDK算法，得到了更精确的结果，同时噪声也更小，这表明了该方法用于单色图像合成的可行性。
2020-07-20 cs.LG eess.IV physics.med-ph
