qq_43527713的博客

本文将传统的基于模型的CS方法和数据驱动的深度学习方法相结合，地考虑了一个图像重建的广义CS模型，使用ADMM算法求解该模型，并进一步将ADMM算法扩展为unrolling深度网络，使得ADMM的所有参数通过端到端判别学习实现。该方法在复数MR成像和实自然图像上实现了较好的重建精度。

#! https://zhuanlan.zhihu.com/p/643451854A awesome list of a few papers on MRI reconstruction.If your paper is not on the list, please feel free to raise an issue or drop me an e-mail.MRI is acquiring data in the Fourier domain, called kspace, and to fully

在自然数据中观察到的固有结构意味着数据在适当的坐标系中允许稀疏表示。大多数自然信号，如图像和音频，都是高度可压缩的。这种可压缩性意味着，当在适当的基础上写入信号时，只有少数模式处于活动状态，从而减少了为了准确表示而必须存储的值的数量。即可压缩信号x∈Rn×nx∈Rn×n可以通过一个变换基Ψ\PsiΨ和一个稀疏向量s∈Rns∈RnxΨsxΨs注意区分：下图中左图为稀疏表示，其中s\mathbf{s}s。

计算机视觉准确来说是图像理解，成像/重建的本质是感知，从低质量观测恢复高质量图像。MRI成像过程可以看做下面的公式：理想情况下k-space是连续的，但是由于信息的采集都是的数字信号，因此采集到的都是离散化的数据，因此可以说采集到的k-空间的全采样图像都是真实情况下的欠采样。但是我们要讨论的情况是在全采样情况下的欠采样，也就是对全采样的图像我们只采样部分区域，如下图：但是直接求解这个逆过程是一个ill-posed 问题。在十年前，压缩感知作为一个比较好的方法在重建领域大放异彩。经典压缩感知公式如下。

在加速MRI重建中，患者的解剖结构是从一组欠采样和噪声观测中恢复的。本文认为卷积难以对长期依赖建模，选用Transformer的话会增大计算成本难以保留细节。因此提出了一种混合架构：将卷积的有益隐性偏见和效率与展开的多尺度网络中Transformer块的力量相结合。