[论文解读] Tomographic Image Reconstruction using Dictionary Priors.

Sara Soltani, Martin S. Andersen+1 more|arXiv (Cornell University)|Mar 6, 2015

Sparse and Compressive Sensing Techniques参考文献 29被引用 4

一句话总结

本文提出了一种凸优化框架用于层析成像重建，通过利用从训练图像中提取的原型元素字典来施加结构先验。通过在字典中促进稀疏表示，该方法在少量投影条件下相比总变差（total variation）方法实现了更优的重建质量，尤其在结构特征方面表现更佳。

ABSTRACT

We describe and examine a framework for tomographic image reconstruction where prior knowledge about the solution is available in the form of training images. We first construct a dictionary that contains prototype elements from these images. Then by using the dictionary as a prior to regularize the inverse problem, and looking for a solution with a sparse representation in the dictionary, we formulate the reconstruction problem in a convex optimization framework. Our computational experiments clarify the choice and interplay of the model parameters and the regularization parameters, and they show that in few-projection settings we are able to produce better images with more structural features than the total variation approach.

研究动机与目标

• 为解决层析成像重建中投影数据有限的挑战，通过从训练图像中引入先验知识。
• 开发一种通过学习到的图像原型字典编码结构信息的正则化框架。
• 通过保留总变差正则化常会模糊的精细结构特征，提升图像质量。
• 系统分析重建过程中模型参数与正则化参数之间的相互作用。

提出的方法

• 使用稀疏表示技术从一组训练图像中构建原型图像元素的字典。
• 将层析成像重建表述为一个凸优化问题，包含数据保真项和基于字典的稀疏性促进正则化项。
• 使用 $β$-散度或最小二乘数据保真项，以确保与测量投影的一致性。
• 应用稀疏编码，将重建图像表示为从学习到的字典中选取的少数原子的线性组合。
• 使用一阶方法（如近端梯度下降）进行优化，利用字典的结构实现高效计算。
• 通过计算实验调整正则化参数和模型超参数，以在数据保真度与稀疏性之间取得平衡。

实验结果

研究问题

• RQ1 从训练图像中提取的字典先验在有限角度或少量投影的层析成像中如何影响重建质量？
• RQ2 在所提出的凸框架中，数据保真度与稀疏性正则化之间的最优平衡是什么？
• RQ3 字典原子的选择与稀疏性约束如何影响重建图像中结构特征的保留？
• RQ4 在结构保真度和定量指标方面，基于字典的方法相较于总变差正则化在哪些方面表现更优？

主要发现

• 与总变差方法相比，字典先验方法在少量投影场景下显著增强了重建图像的结构特征。
• 该框架通过保留总变差正则化常会丢失的精细细节和纹理，实现了更优的图像质量。
• 计算实验表明，正则化参数与模型参数之间的相互作用对重建性能具有关键影响，最优参数设置可获得更优结果。
• 在学习到的字典中使用稀疏表示可在投影数据有限的情况下实现有效正则化，且不易发生过拟合。