Learning Spatially Adaptive $\ell_1$-Norms Weights for Convolutional Synthesis Regularization

要約

畳み込み合成ベースの$ \ ELL_1 $正規化のフレームワークで、空間的に適応的なパラメーターマップを学習するための展開されたアルゴリズムアプローチを提案します。
より正確には、事前に訓練された畳み込みフィルターのファミリーを検討し、拳アルゴリズムを展開して基礎となるまばらな推定問題を解決することにより、スパース機能マップに適用される深くパラメータ化された空間的に変化するパラメーターを推定します。
提案されたアプローチは、低フィールドMRIの画像再構築のために評価され、全体の変動の正規化に依存している空間的に適応的および非適応型分析型手順と、確立されたモデルベースのディープ学習アプローチと比較されます。
提案されたアプローチは、後者のアプローチと同時に視覚的かつ定量的に同等の結果を生成し、同時に非常に解釈可能であることを示します。
特に、推定されたパラメーターマップは、再構成における各フィルターの局所的な寄与を定量化します。これは、アルゴリズムメカニズムに対する貴重な洞察を提供し、潜在的に使用されるために使用される可能性があります。

要約(オリジナル)

We propose an unrolled algorithm approach for learning spatially adaptive parameter maps in the framework of convolutional synthesis-based $\ell_1$ regularization. More precisely, we consider a family of pre-trained convolutional filters and estimate deeply parametrized spatially varying parameters applied to the sparse feature maps by means of unrolling a FISTA algorithm to solve the underlying sparse estimation problem. The proposed approach is evaluated for image reconstruction of low-field MRI and compared to spatially adaptive and non-adaptive analysis-type procedures relying on Total Variation regularization and to a well-established model-based deep learning approach. We show that the proposed approach produces visually and quantitatively comparable results with the latter approaches and at the same time remains highly interpretable. In particular, the inferred parameter maps quantify the local contribution of each filter in the reconstruction, which provides valuable insight into the algorithm mechanism and could potentially be used to discard unsuited filters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google