NF-ULA采样算法

融合归一化流先验

一种将归一化流作为图像先验的贝叶斯采样算法，能高效求解病态成像逆问题并量化不确定性。

Cai, Ziruo · Tang, Junqi · Mukherjee, Subhadip · Li, Jinglai · Schönlieb', Carola Bibiane · Zhang, Xiaoqun

SIAM Journal on Imaging Sciences 2024

技术优势

不需要对每个逆问题重新训练

归一化流先验可以独立于具体逆问题和前向算子进行预训练，因此对于不同的成像任务，只需训练一次网络即可反复使用。

先验密度有解析表达式，便于求导

归一化流给出的对数先验具有可处理的闭式形式，因此可以利用自动微分库直接计算其梯度，从而高效实现朗之万采样。

在严重病态问题上优于现有方法

在图像去模糊、修复和有限角 CT 重建等严重病态逆问题中，NF-ULA 的实验结果优于竞争方法。

应用场景

• 医学成像重建：有限角 CT 重建等病态医学成像问题中，NF-ULA 提供带不确定性量化的重建结果，辅助医生判断重建可靠性。
• 计算成像：NF-ULA 为计算成像提供一种结合数据驱动先验与贝叶斯采样的通用算法框架，可处理多种病态逆问题。
• 图像恢复：在图像去模糊和修复任务中，NF-ULA 能恢复出高质量图像并同时给出不确定度估计。
• 工业无损检测：工业无损检测中的有限角或稀疏采样成像可借助 NF-ULA 改善重建质量并评估置信度。