深度学习数据驱动_深度学习中结合数据驱动与模型驱动的集成方法小记——持续更新...

参考自：https://arxiv.org/ftp/arxiv/papers/1907/1907.11711.pdf

一方面，"Accelerating Magnetic Resonance Imaging via Deep Learning" 中提出的纯数据驱动网络具有设计简单的优势，因为该网络将图像重建视为输入到输出的“黑匣子”，而不需要MRI的任何领域知识。 但是，这样的网络对训练样本的质量和数量有很高的要求。 也就是说，网络容易出现欠/过拟合的问题。 在确定了这些局限性之后，研究者们开发了几种方法将领域知识整合到数据驱动的网络中，例如https://arxiv.org/ftp/arxiv/papers/1907/1907.11711.pdf第四节中的示例。 随着网络中包含越来越多的领域知识，重构质量有望提高。

另一方面，模型驱动的网络源于基本的压缩感测重建算法，其中优化目标的所有正则化函数都已预先确定，且正则化参数是手动调整的。 最初引入深度学习来展开（unroll）重建算法的迭代过程，从而可以学习正则化参数[Deep ADMM-Net for Compressive Sensing MRI]。 进一步地研究者们开发了许多网络，以使用可学习的运算符和函数来放宽固定约束，例如https://arxiv.org/ftp/arxiv/papers/1907/1907.11711.pdf第三节中的示例。 随着重构模型中的约束被逐渐relax，且模型中的更多函数被学习，重构质量有望提高。

基于以上观察，由于在模型驱动网络中我们可以学习约束，在数据驱动网络中我们可以添加领域知识，我们可以结合二者，得到集成方法（Integrated approaches for MR reconstruction࿰