Dual-space Compressed Sensing
원문 초록
Compressed sensing (CS) is a powerful method routinely employed to accelerate image acquisition. It is particularly suited to situations when the image under consideration is sparse but can be sampled in a basis where it is non-sparse. Here we propose an alternate CS regime in situations where the image can be sampled in two incoherent spaces simultaneously, with a special focus on image sampling in Fourier reciprocal spaces (e.g. real-space and k-space). Information is fed-forward from one space to the other, allowing new opportunities to efficiently solve the optimization problem at the heart of CS image reconstruction. We show that considerable gains in imaging acceleration are then possible over conventional CS. The technique provides enhanced robustness to noise, and is well suited to edge-detection problems. We envision applications for imaging collections of nanodiamond (ND) particles targeting specific regions in a volume of interest, exploiting the ability of lattice defects (NV centers) to allow ND particles to be imaged in reciprocal spaces simultaneously via optical fluorescence and 13C magnetic resonance imaging (MRI) respectively. Broadly this work suggests the potential to interface CS principles with hybrid sampling strategies to yield speedup in signal acquisition in many practical settings.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
CLEAR: 초가속 4D Flow CMR 재구성을 위한 복소수 학습 명시적 해석적 정규화
CLEAR: Complex Learned Explicit Analytical Regularization for Ultra-Accelerated 4D Flow CMR Reconstruction
압축 센싱(compressed sensing) 정규화 기법은 투명한 변분 목적함수(variational objective)를 통해 4D Flow CMR의 해석 가능한 재구성을 가능하게 하지만, 수작업으로 설계된 특성상 고가속(high acceleration) 조건에서는 지나치게 제한적이다. 최신 학습 기반 접근법은 이러한 문제를 완화하지만, 일반적으로 언롤링된(unrolled) 네트워크 모듈을 통해 정규화를 암묵적으로 인코딩하기 때문에 해석 가능성이 제한된다. 이러한 한계를 해결하기 위해, 우리는 압축 센싱의 해석 가능성과 학습 모델의 유연성을 결합하도록 설계된 CLEAR를 제안한다. 우리가 아는 한, 이는 4D 재구성 과제를 위한 최초의 학습된 정규화(regularizer)이다. CMRx4DFlow2026 챌린지의 10배~50배 초가속 영역에서, CLEAR는 1만 개 미만의 파라미터를 사용하면서도 해석 가능한 정규화 구조를 유지하는 동시에 압축 센싱 국소 저랭크(locally low-rank, LLR) 기법과 널리 사용되는 변분 네트워크(variational network) FlowVN을 능가하는 성능을 보인다.
희소성 사전 모델과 마르코프 연쇄 몬테카를로 샘플링을 이용한 베이지안 자기 공명 영상 공동 재구성 및 불확실성 정량화
Bayesian Magnetic Resonance Joint Image Reconstruction and Uncertainty Quantification using Sparsity Prior Models and Markov Chain Monte Carlo Sampling
우리는 압축 감지 자기 공명 영상 재구성을 사용하여 불확실성 정량화를 위한 새로운 프레임워크를 제안합니다. 이 문제는 베이지안 프레임워크 내에서 선형 역문제로 공식화되며, 알 수 없는 모델 파라미터에는 사전 분포가 할당됩니다. 구체적으로, 재구성할 이미지는 주어진 기저에서 희소(sparse)하다고 가정합니다. 우리는 모든 기저에 적용 가능한 일반적인 프레임워크를 개발했으며, 예로서 (1) 총 변분(Total Variation) 사전 모델을 사용한 공간 기울기(spatial gradients)와 (2) 웨이블릿 변환에서의 이미지 희소성을 테스트합니다. 그런 다음 분할-증강(split-and-augmented) 기브스 샘플러에 기반한 마르코프 연쇄 몬테카를로(MCMC) 방법을 사용하여 알 수 없는 파라미터의 사후 분포에서 샘플링을 수행합니다. 미분 불가능한 조건부 분포는 근사(proximal) MCMC 방법을 사용하여 효율적으로 샘플링됩니다. 제안된 알고리즘은 다양한 k-공간(k-space) 서브샘플링 패턴과 비율을 사용하여 단일 코일 및 다중 코일 데이터셋에서 검증되었습니다. 결과는 이미지 재구성에 있어 각 제안된 접근 방식이 대응되는 최적화 기반 방법보다 우수한 성능을 보여줍니다. 더불어, 우리의 프레임워크는 불확실성을 효과적으로 정량화하며, 기존 심층 학습 기반 방법과 비교했을 때 추정된 불확실성 맵과 정답(ground truth) 및 재구성된 이미지를 사용하여 계산된 오차 맵 사이에 유의미한 상관관계를 보여줍니다.
Gibbs 무작위성-압축 명제
Gibbs randomness-compression proposition
손실 압축 과정과 연관된 측정 벡터 집합에 대한 Gibbs 엔트로피를 통해 무작위성과 압축을 연결하는 명제를 제안한다. 이 연결을 구축하는 과정에서, 반복적인 압축-학습 주기에서 압축을 탐색하는 수단으로 학습 과제의 성능을 사용한다. 이는 열역학적 효율을 탐색 수단으로 사용하는 통계역학적 관점에서의 반복적 coarse-graining으로 볼 수 있다. 압축률의 매우 작은 감소와 성능 사이의 공단조(comonotonic) 관계를 통해 이 연결을 공식화한다. 기준선 모델로 세 가지 서로 다른 모델 압축 과정을 사용하여, 심층 학습의 정형적인 비전 과제에서 이 명제의 타당성을 입증한다. 다음의 단순한 것부터 복잡한 것까지의 모델 압축 접근법을 사용한다: (1) 무작위 가지치기, (2) 크기(magnitude) 가지치기, (3) 이중 방식의 압축 센싱(compressed sensing)을 활용하는 이중 tomographic 압축을 이용한 보다 복잡한 압축으로, 이는 새로운 방법으로 소개된다. 심층 학습 네트워크의 남은 가중치를 측정 벡터로 사용하여 Gibbs 엔트로피를 측정한다. 성능으로 탐색한 압축과 학습된 모델에 대한 엔트로피 측정으로부터 얻은 무작위성 사이에 본질적으로 계산 가능한 연결이 존재한다는 개념을 보여준다.
그리드는 종종 밀집 신호 압축에서 암시적 신경 표현(Implicit Neural Representations, INRs)보다 우수합니다
Grids Often Outperform Implicit Neural Representations at Compressing Dense Signals
암시적 신경 표현(Implicit Neural Representations, INRs)은 최근 인상적인 결과를 보여주었지만, 그 기본 용량, 암시적 편향, 스케일링 동작은 여전히 잘 이해되지 않고 있습니다. 우리는 다양한 유효 대역폭을 가진 2D 및 3D 실제 및 합성 신호와 토모그래피, 초해상도, 노이즈 제거를 포함한 과적합(overfitting) 및 일반화 작업 전반에 걸쳐 다양한 INRs의 성능을 조사합니다. 모델 크기와 신호 유형 및 대역폭에 따라 성능을 계층화하여, 서로 다른 INR 및 그리드 표현이 용량을 어떻게 할당하는지를 밝혀냅니다. 밀집 신호를 다루는 많은 작업에서, 보간이 적용된 간단한 정규화된 그리드는 동일한 파라미터 수를 가진 어떤 INR보다 더 빠르게 학습되며 더 높거나 대등한 품질로 도달함을 발견했습니다. 또한, 형태 윤곽과 같은 이진 신호 적합 작업과 같이 INRs가 그리드보다 우수한 성능을 보이는 제한적인 설정도 발견했습니다. 이는 향후 INRs의 개발과 활용을 가장 유리한 응용 분야로 유도하는 데 도움이 될 것입니다.
MGVQ: Could VQ-VAE Beat VAE? A Generalizable Tokenizer with Multi-group Quantization
LangMamba: A Language-driven Mamba Framework for Low-dose CT Denoising with Vision-language Models
토론
이 논문과 연결된 포럼 글이 아직 없습니다.