.png){kind=icon}
返回
Plug-and-play superiorization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.apnum.2025.10.002.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
优越化方法（SM）是一种优化启发式方法，其中旨在解决特定问题的迭代算法经过优越化处理，以促进相对于某些次要标准的改进解。这种优越化是通过扰动算法的迭代点，使其沿着预定函数的非下降方向进行，该函数会对解中的不良特性进行惩罚；因此，由优越化算法产生的解应相对于该函数的值得到改进。在本文中，我们将SM扩展，允许扰动由任意过程引入，采用即插即用方法。这使得诸如图像去噪器或深度神经网络等操作（具有广泛问题类别的应用）能够纳入优越化方法中。作为概念验证，我们进行了涉及低剂量和稀疏视图计算机断层扫描图像重建的数值模拟，将即插即用方法与两种常规优越化算法以及一种后处理方法进行比较。在大多数情况下，即插即用方法提供了相当或更好的图像质量，同时在计算时间和解的数据保真度方面也具有优势。
Keyword:
Superiorization
Plug-and-play
Deep learning
Computed tomography
Low-dose
Sparse-view
期刊
IF:
2.4
论文数:
88
被引数:
6.7K
机构
引用论文
Superiorized algorithm for reconstruction of CT images from sparse-view and limited-angle polyenergetic data从稀疏视图和有限角度多能数据重建CT图像的高级算法
OAAI
OAAI分享收藏The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository癌症影像档案 (TCIA): 维护和运营公共信息库
OAAI
OAAI分享收藏LEARN: Learned Experts' Assessment-Based Reconstruction Network for Sparse-Data CT学习: 基于专家评估的稀疏数据CT重建网络OAAI
OAAI分享收藏Fast and flexible X-ray tomography using the ASTRA toolbox使用ASTRA工具箱进行快速灵活的x射线断层扫描.png)
OPTICS EXPRESSOAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏
查看更多内容