Efficient Generalizable Deep Learning for Inverse Problems

Inverse Probleme kommen im täglichen Leben häufig vor. In den letzten Jahren hat das Interesse an der Entwicklung von Deep Learning für inverse Probleme stark zugenommen. Da Deep Learning jedoch als Black-Box-Modell bekannt ist, bleibt es ein herausforderndes Thema, seine Generalisierbarkeit über Trainingsdaten hinaus effizient zu steigern. Der Schwerpunkt meiner Arbeit liegt dabei auf der Entwicklung von End-to-End-Deep-Learning-Methoden mit hoher Effizienz und Generalisierbarkeit zur Lösung inverser Probleme. Ich untersuchte zwei Arten von inversen Problemen: inverse Probleme zur Rekonstruktion von Bildern aus Messungen, wie z. B. Ultraschall-Transmissionstomographie (UTT), und inverse Probleme der Bild-Bild-Abbildung, wie z. B. die Reduzierung des Bildrauschens.

Konkret untersuche ich für die vollständig datengesteuerte UTT-Bildrekonstruktion drei Aspekte von Deep-Learning-Methoden: Datengenerierung, Datenvorverarbeitung und neuronale Netzwerkarchitektur. Ich entwickle und teste eine Reihe von Datengenerierungs- und Datenerweiterungstechniken sowie Techniken zur Verbesserung der Netzwerkarchitektur, einschließlich mehrerer Down- und Upsamplings, der Integration der Fourier-Transformation und eines Vorverarbeitungsnetzwerks, um die Bildqualität und Generalisierbarkeit neuronaler Netze auf die Realität effizient zu verbessern Messdaten. Die Experimente zur UTT-Bild-Rekonstruktion mit Messdaten von zwei realen UTT-Geräten weisen die Wirksamkeit unserer Methoden nach.

Was die Bildrauschunterdrückung betrifft, schlage ich ein effizientes äquivariantes neuronales Faltungsnetzwerk ohne Parameterteilung vor, bei dem eine gewichtete Aggregation von Monte-Carlo-abgetasteten zerlegten Filtern verwendet wird. Das vorgeschlagene Netzwerk dient als effiziente Alternative zu Standard-CNN-Schichten und kann daher problemlos in die hochmodernen tiefen neuronalen Netzwerke integriert werden. Die Experimente zur Bildklassifizierung und Rauschunterdrückung von synthetischen und real verrauschten Bildern zeigen die überlegene Effizienz der vorgeschlagenen Netzwerke gegenüber den hochmodernen Standard-CNNs und äquivarianten CNNs mit Parameter-Sharing-Gruppen.