Deep Network Series for Large-Scale High-Dynamic Range Imaging
Deep Network Series for Large-Scale High-Dynamic Range Imaging
复制标题
用于大规模高动态范围成像的深度网络系列
DOI：
10.1109/icassp49357.2023.10094843
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Aghabiglou A
中科院分区：
文献类型：
--
作者：
Aghabiglou A
我们提出了一种新的大规模高动态范围计算成像的方法。端到端训练的深度神经网络（DNN）几乎可以瞬间解决线性逆成像问题。虽然展开架构提供了对测量设置变化的鲁棒性，但在DNN架构中嵌入大规模测量算子是不切实际的。替代的即插即用（Plug-and-Play，PADN）方法，其中去噪DNN对测量设置是盲目的，已被证明可以有效地解决可扩展性和高动态范围的挑战，但依赖于高度迭代的算法。我们提出了一种残差DNN系列方法，也可以解释为匹配追踪的学习版本，其中重建图像是逐渐增加动态范围的残差图像之和，并通过DNN将前一次迭代的反投影数据残差作为输入进行迭代估计。我们证明了对射电天文成像模拟，一系列只有几个条款提供了一个重建质量与PALGOR竞争，在成本的一小部分。
We propose a new approach for large-scale high-dynamic range computational imaging. Deep Neural Networks (DNNs) trained end-to-end can solve linear inverse imaging problems almost instantaneously. While unfolded architectures provide robustness to measurement setting variations, embedding large-scale measurement operators in DNN architectures is impractical. Alternative Plug-and-Play (PnP) approaches, where the denoising DNNs are blind to the measurement setting, have proven effective to address scalability and high-dynamic range challenges, but rely on highly iterative algorithms. We propose a residual DNN series approach, also interpretable as a learned version of matching pursuit, where the reconstructed image is a sum of residual images progressively increasing the dynamic range, and estimated iteratively by DNNs taking the back-projected data residual of the previous iteration as input. We demonstrate on radio-astronomical imaging simulations that a series of only few terms provides a reconstruction quality competitive with PnP, at a fraction of the cost.
DOI：
10.3847/2041-8213/ac98af
发表时间：
2022-07
期刊：
The Astrophysical Journal Letters
影响因子：
--
作者：
A. Dabbech;M. Terris;A. Jackson;M. Ramatsoku;O. Smirnov;Y. Wiaux
通讯作者：
A. Dabbech;M. Terris;A. Jackson;M. Ramatsoku;O. Smirnov;Y. Wiaux
用于射电天文图像的卷积深度去噪自动编码器
DOI：
10.1093/mnras/stab3044
发表时间：
2021
期刊：
ArXiv
影响因子：
--
作者：
C. Gheller;F. Vazza
通讯作者：
F. Vazza