用任务驱动的多尺度词典学习解释U-网

作者: | Tianlin Liu | Anadi Chaman | David Belius | Ivan Dokmanić |

摘要:U-网在许多成像反问题中取得了巨大的成功.为了理解这一成功的来源,我们表明,我们可以将一个U-net简化为一个易于处理的、易于理解的稀疏驱动字典模型,同时保持其强大的经验性能。我们通过从标准U-网中提取一个多尺度卷积字典来实现这一点.该字典在卷积、尺度分离和跳过连接方面模仿了U-网的结构,同时消除了非线性部分。我们表明,该模型可以在任务驱动的字典学习框架中进行训练,并在包括CT和MRI重建在内的许多相关任务上获得与标准U-网相似的结果。这些结果表明,U网的成功主要是由其多尺度结构和诱导稀疏表示所致。

论文地址

https://arxiv.org/abs/2011.12815v1

下载地址

https://arxiv.org/pdf/2011.12815v1.pdf

全部源码

https://github.com/liutianlin0121/ISTA-U-Net 类型: pytorch

字典学习MRI重建

相关推荐

暂无评论

微信扫一扫,分享到朋友圈

用任务驱动的多尺度词典学习解释U-网