集团CDL:可解释的剥离和压缩感应MRI通过学习的群体稀疏性和循环注意力
Nikola Janjušević1,2, Amirhossein Khalilian-Gourtani3, Adeen Flinker3
1New York University Tandon School of Engineering, Electrical and Computer Engineering Department, Brooklyn, NY 11201, USA.
IEEE transactions on computational imaging
|March 24, 2025
概括
本研究介绍了一种可解释的深度学习模型,用于图像的否定和重建,利用非局部的自我相似性. 这种新型网络实现了与黑子模型相提并论的最先进性能,同时提供了增强的可解释性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 图像处理 图像处理
背景情况:
- 非局部自我相似性是图像恢复的深度学习的关键先验.
- 现有的图像恢复深度学习模型往往是黑子,缺乏可解释性.
- 之前的工作证明了可解释的卷积词典学习网络 (CDLNet) 用于拒绝.
研究的目的:
- 开发一个可解释的卷积网络,利用非局部自相似性先验.
- 为了达到与最先进的黑子非本地模型相提并论的性能.
- 扩展用于压缩感应MRI (CS-MRI) 重建的可解释架构.
主要方法:
- 在CDLNet中升级了稀疏性优先级,从软值升级为可适应图像的组稀疏性优先级 (组值).
- 集团门内包含非本地关注,用于空间变化的软门.
- 引入了循环的稀疏注意力,以高效地处理带有全球文物的大型图像.
主要成果:
- 与黑盒非局部深度神经网络 (DNN) 和变压器相比,实现了具有竞争力的自然图像破坏性性能.
- 在压缩感应MRI (CS-MRI) 重建中展示了最先进的性能.
- 在训练和推断过程中展示了对噪声水平不匹配的稳定性.
结论:
- 一个具有非局部自相似性先验的可解释卷积网络可以匹配黑盒模型的性能.
- 拟议的架构为图像修复和CS-MRI提供了一个透明和可扩展的方法.
- 该方法在不同的噪声条件下提供可靠的性能.
