机构名称：
¥ 1.0
抽象的深神经网络为重建少量和嘈杂测量的图像重建图像提供了最新的准确性，例如在加速磁共振成像（MRI）中引起的问题。然而，最近的作品引起了人们的担忧，即基于学习的图像重建方法对扰动很敏感，并且比传统方法不那么易用：神经网络（i）可能对小而却对对抗性的扰动敏感，（ii）可能会在分配中表现不佳，并且（iii）可能会在覆盖小型的图像中表现出色，但可能会在一个图像中覆盖重要特征。为了理解对此类范围的敏感性，在这项工作中，我们测量了图像重建的不同方法的鲁棒性，包括训练有素和未经训练的神经网络以及传统的基于稀疏的方法。我们发现，与先前的作品相反，训练和未经训练的方法都容易受到副本扰动的影响。此外，针对特定数据集调整的经过训练和未经训练的方法都在分配转移中遭受的损失非常相似。fi-Nelly，我们证明了一种实现更高重建质量的图像重构方法在准确恢复细节方面的性能也更好。我们的结果表明，基于最新的深度学习图像重新构造方法比没有构成鲁棒性的传统方法提供了改进的穿孔方法。
测量基于深度学习的压缩感中的鲁棒性
主要关键词
相关文件推荐
