MARC

 008260203s2023        us                              c    eng  d
■001000017365887
■00520260209102848
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291563731
■035    ▼a(MiAaPQ)AAI32271350
■035    ▼a(MiAaPQ)httphdlhandlenet2142121447
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aKelkar,  Varun  Ajit.
■24510▼aGenerative  Models  for  Problems  in  Imaging  Science
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a189  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Anastasio,  Mark  A.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2023.
■520    ▼aIn  recent  years,  generative  models  have  risen  to  the  forefront  of  machine  learning  research.  Modern  generative  models  such  as  generative  adversarial  networks  (GANs)  and  invertible  generative  models  (IGMs)  are  capable  of  approximating  high-dimensional  image  distributions  and  synthesizing  images  with  high  perceptual  quality.  In  imaging  science,  they  are  being  investigated  for  several  potential  applications,  such  as  inverse  problems  and  image  reconstruction,  image-to-image  translation,  and  dataset  augmentation.  In  the  first  part  of  this  thesis,  generative  models  are  investigated  for  solving  inverse  problems  in  imaging.  Specifically,  we  first  developed  a  new  image  reconstruction  method  using  a  multiscale  IGM  as  a  prior,  which  demonstrated  high  performance  on  image  reconstruction  from  stylized,  simulated  magnetic  resonance  imaging  measurements,  and  was  robust  to  test-time  distribution  shifts.  Next,  a  style-based  GAN  was  employed  as  a  prior  in  a  framework  for  estimating  an  object  of  interest  that  is  closely  related  to  a  known  prior  image.  The  approach  accurately  captured  difficult-to-model  semantic  differences  between  the  sought-after  and  prior  images  and  estimated  the  object  accurately  in  terms  of  conventional  metrics.  Third,  variational  Bayesian  methods  were  employed  to  learn  an  IGM  of  objects  directly  from  a  dataset  of  noisy  and  incomplete  images.  The  second  part  of  this  thesis  focuses  on  evaluating  generative  models  and  data-driven  priors  in  imaging.  Specifically,  the  concept  of  "hallucinations"  in  the  context  of  image  reconstruction  was  formally  defined  and  utilized  to  illustrate  the  effects  of  an  incorrect  data-driven  prior  on  the  image  estimate.  Lastly,  a  framework  for  evaluating  GANs  in  terms  of  medically  relevant  statistics  was  developed.  Perceptual  measures  for  evaluating  the  GAN  did  not  always  correlate  with  the  relevant  measures  developed,  highlighting  the  urgent  need  to  assess  generative  models  in  terms  of  relevant,  task-informed  statistics.  Our  findings  directly  inspired  an  ongoing  large-scale  competition  on  deep  generative  modeling  for  learning  medical  image  statistics.
■590    ▼aSchool  code:  0090.
■650  4▼aBiomedical  engineering
■650  4▼aComputer  science
■650  4▼aElectrical  engineering
■650  4▼aMedical  imaging
■653    ▼aImaging  science
■653    ▼aGenerative  models
■653    ▼aInverse  problems
■653    ▼aGenerative  adversarial  networks
■653    ▼aInvertible  networks
■653    ▼aTomography
■653    ▼aDiffusion  models
■690    ▼a0544
■690    ▼a0984
■690    ▼a0541
■690    ▼a0574
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bElectrical  &  Computer  Eng.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365887▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서