LAMA: Stable Dual-Domain Deep Reconstruction For Sparse-View CT

要約

逆の問題は、多くのアプリケーション、特に断層撮影イメージングで発生します。
私たちは、データ駆動型技術と古典的な技術を実証済みの収束と相乗させて、2 ブロックの最適化を通じてこのような問題を解決する学習型交互最小化アルゴリズム (LAMA) を開発します。
LAMA は、データ ドメインと画像ドメインの両方で学習可能な正則化子を備えた変分モデルによって自然に誘導され、ドメイン固有のデータでトレーニングされたニューラル ネットワークの複合関数としてパラメーター化されます。
データから特徴を効果的に抽出するために、これらの正則化子を非凸および非平滑にすることができます。
Nesterov の平滑化手法と残差学習アーキテクチャを使用して、全体の目的関数を最小化します。
LAMA によりネットワークの複雑さが軽減され、メモリ効率が向上し、再構築の精度、安定性、解釈可能性が向上することが実証されています。
広範な実験により、LAMA はコンピューター断層撮影用の一般的なベンチマーク データセットで最先端の手法を大幅に上回るパフォーマンスを示すことが示されています。

要約(オリジナル)

Inverse problems arise in many applications, especially tomographic imaging. We develop a Learned Alternating Minimization Algorithm (LAMA) to solve such problems via two-block optimization by synergizing data-driven and classical techniques with proven convergence. LAMA is naturally induced by a variational model with learnable regularizers in both data and image domains, parameterized as composite functions of neural networks trained with domain-specific data. We allow these regularizers to be nonconvex and nonsmooth to extract features from data effectively. We minimize the overall objective function using Nesterov’s smoothing technique and residual learning architecture. It is demonstrated that LAMA reduces network complexity, improves memory efficiency, and enhances reconstruction accuracy, stability, and interpretability. Extensive experiments show that LAMA significantly outperforms state-of-the-art methods on popular benchmark datasets for Computed Tomography.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google