逐步优化的图像重建与学习注意力正则化
原文中文，约1900字，阅读约需5分钟。
📝
内容提要
本文提出了一种新型非凸正则化器，通过学习实现变分去噪，具有较少参数和良好解释性。实验结果表明，该去噪器在CT和MRI重建中性能优于传统方法，展现出良好的泛化能力和稳定性。
🔎
延伸解读
参数效率与可解释性的平衡
该正则化器仅需少于15000个参数，远少于许多深度学习方法，降低了过拟合风险。同时，它模仿手工稀疏促进正则化器，具有信号处理解释性，使学习到的模型更易理解。这种设计在性能与简洁性之间取得了良好平衡，尤其适合数据有限或需要可解释性的医学图像重建场景。
在CT和MRI重建中的泛化表现
实验表明，该去噪器在CT和MRI重建中优于传统凸正则化方法和BM3D去噪器，并展现出良好的泛化能力。这意味着它不仅能处理训练时见过的数据，还能适应新的重建任务。对于临床应用中数据分布多变的情况，这种稳定性尤为重要，可减少针对特定数据集重新训练的需求。
可证收敛性带来的可靠性
学习到的正则化器可用于求解逆问题的迭代方案，并具有可证收敛性。这为重建结果提供了理论保证，避免了纯数据驱动方法可能出现的不可预测行为。在医学成像等对安全性要求高的领域，这种保证能增强实际部署的信心，同时保持数据驱动方法的高性能。
❓
Q&A
新型非凸正则化器的主要特点是什么？
新型非凸正则化器依赖较少的参数（少于15000个），具有良好的信号处理解释性，并通过学习实现变分去噪。
该去噪器在CT和MRI重建中的表现如何？
实验结果表明，该去噪器在CT和MRI重建中性能优于传统方法，展现出良好的泛化能力和稳定性。
该方法如何实现变分去噪？
该方法通过学习具有预设上界的非凸正则化器，产生能够最小化一个凸能量的变分去噪器。
学习到的正则化器在性能上有什么优势？
学习到的正则化器在性能、参数数量、保证性和可解释性等方面展现出良好的平衡。
该去噪器在小数据集上的表现如何？
该去噪器在小数据集的逆问题中取得了高质量的结果，展示了良好的泛化能力和稳定性。
该研究的实验结果与传统方法相比如何？
实验结果表明，该去噪器在性能上优于凸正则化方法以及流行的BM3D去噪器。
🏷️
