摘要：压缩感知磁共振成像旨在利用观测的欠采样k空间数据重建原始的磁共振图像。近些年,在该图像重建任务中,展开算法引起了学者们的广泛关注。然而,现有展开算法仍然存在重建质量较低的问题。此外,由于先验网络的复杂结构,设计的先验网络通常缺乏模型架构可解释性,因此证明先验网络满足展开算法的收敛条件,例如Lipschitz条件,是具有挑战性的。为解决这些问题,本文提出一种可显式证明的梯度网络,证明了其满足Lipschitz条件,并分析了基于该梯度网络的展开算法的收敛性。此外,本文提出一种基于梯度网络的正则化模型,同时基于该模型构建了相应的重建优化模型,并利用交替优化方法进行了求解,最终将展开算法构建为深度展开网络。仿真实验结果表明,该深度展开网络在多种采样率下的平均峰值信噪比相较于DLMRI、NLR、BM3D-MRI、BM3D-AMP、ADMM-CSNet和IDPCNN算法分别高出2.62 dB、1.59 dB、1.61 dB、2.05 dB、0.51 dB和0.53 dB。此外,该深度展开网络重建的膝关节图像保留了图像细节,取得了良好的视觉效果,证明所构建的深度展开网络的有效性。

摘要：针对基于深度学习的高光谱图像融合算法通常堆积多个卷积以学习映射关系、没有充分利用问题的特性以及缺乏可解释性等问题,提出一种结合深度展开与双流网络的深度网络。首先使用卷积稀疏编码建立融合模型,该模型将低分辨率高光谱图像(Low-resolution hyperspectral images,LR-HSI)和高分辨率多光谱图像(high-resolution multispectral images,HR-MSI)映射到低维子空间中。在融合模型设计中,考虑了LR-HSI和HR-MSI的共有信息以及LR-HSI的独有信息,并将HR-MSI作为辅助信息加入模型中。其次将该融合模型展开为可学习的可解释深度网络。最后,使用双流网络获取更精确的高分辨率高光谱图像(High-resolution hyperspectral images,HR-HSI)。实验表明,该网络在高光谱图像融合中可以获得出色的效果。

摘要：大斜视角条件下的合成孔径雷达SAR回波信号具有方位向和距离向严重耦合、大距离徙动等特点,采用常规的距离多普勒RD算法成像,会引起方位向的散焦以及空变等问题。为了改善大斜视SAR在成像过程中存在的问题,提出了一种基于深度展开网络的SAR大斜视可学习距离多普勒成像方法。该方法将RD成像方法与深度学习结合,利用RD成像的步骤构建了基于深度展开网络的RD学习成像网络结构,将回波数据作为网络输入来学习回波数据到大斜视SAR图像的成像过程。首先,在分析大斜视SAR回波信号模型的基础上确定了网络成像过程中的可学习参数;其次,根据成像过程设计大斜视SAR成像网络;最后,通过非监督训练的方法对网络进行训练,最终输出学习成像结果。点目标和面目标仿真结果表明,该方法可以有效抑制旁瓣,提高成像精度和计算效率,满足SAR在大斜视角下的成像要求。

摘要：全色锐化是一种常见的图像融合技术,旨在融合卫星提供的高空间分辨率的全色图像和低空间分辨率的多光谱图像,得到高空间分辨率的多光谱图像。结合模型优化与深度学习方法的优势,提出一种模型引导的全色锐化神经网络(MoGN)。基于观测模型和融合图像的深度先验构建了一个全色锐化函数,对目标函数进行求解并将其迭代解展开为深度网络,其中空间退化和光谱退化过程通过设计专用的子网络进行近似,深度先验则由基于Unet架构的去噪器进行近似。降分辨率和全分辨率下的实验结果都证明了所提出方法的有效性。