INFusion: 基于扩散正则化的隐式神经表示用于二维和三维加速 MRI 重建
内容提要
隐式神经表示（INRs）在医学成像中表现突出，尤其在MRI重建、图像去噪和超分辨率等任务中。研究提出了隐式神经表示正则化器（INRR）和Conv-INR模型，以提升信号表示的性能和泛化能力。未来的研究将进一步优化INRs在计算机视觉中的应用。
延伸解读
INRR 如何提升泛化能力
文章指出，INRR 通过将归一化的 Dirichlet 能量与 INR 集成，改善了信号表示中的泛化性能。其核心在于更好地结合信号的自相似性与 Laplacian 矩阵的光滑度。作者通过收敛轨迹和多尺度相似性等实验论证了 INRR 的性质，并表明该方法能提升其他信号表示方法的性能。这为 INR 在医学成像中的稳定应用提供了正则化思路。
Conv-INR 的架构优势
Conv-INR 是第一个完全基于卷积的 INR 模型，相比基于多层感知机的 INR 模型，它具有更好的表示能力和可训练性，能有效学习邻近坐标和高频组成部分。在图像拟合、CT/MRI 重建和新视角合成等任务中，Conv-INR 明显优于基于 MLP 的模型，且不引入额外推理成本。文章还提出了三种重新参数化方法以进一步增强其性能。
INR 在图像压缩中的潜力
文章提到，有研究从图像压缩角度探索 INRs，提出了基于 INRs 的全面压缩流水线，并进行了广泛的消融研究。结果表明，该方法表现优异，与专门为图像设计的常用压缩算法竞争力相当，接近基于率失真自编码器的最新学习方法。这显示了 INR 在医学图像存储和传输中的潜在应用价值。
Q&A
隐式神经表示（INRs）在医学成像中有哪些应用？
INRs在医学成像中主要用于MRI重建、图像去噪和超分辨率等任务。
什么是隐式神经表示正则化器（INRR）？
INRR是一种正则化器，通过将归一化的Dirichlet能量与INR集成，提升信号表示的泛化能力。
Conv-INR模型与传统的INR模型相比有什么优势？
Conv-INR是第一个完全基于卷积的INR模型，具有更好的表示能力和可训练性，优于基于多层感知机的模型。
未来的研究方向是什么？
未来的研究将进一步优化INRs在计算机视觉中的应用，探索其在图像压缩等领域的潜力。
INRs在图像去噪方面的表现如何？
INRs在图像去噪任务中表现优异，能够在资源有限的情况下超过其他方法2dB以上。
Rapid-INR方法的主要创新点是什么？
Rapid-INR利用INR对图像进行编码和压缩，加速计算机视觉任务中的神经网络训练，并提出了迭代动态剪枝和逐层量化来增强压缩效果。
