Publication

Integrated Modeling And Reconstruction With Sparsity Constraints For fDOT

Michaël Unser, Jean-Charles Baritaux, Matthieu Guerquin-Kern
2009
Conference Papers

Résumé

We present a numerical framework for Fluorescence Diffuse Optical Tomography (fDOT) that combines a forward model together with an iterative reconstruction procedure. Using rapid linear solvers, we derived an efficient reconstruction strategy for quadratic regularizers. The method outperforms traditional reconstruction approaches. Starting from quadradic regularization, we then extend the framework to more general L-p constraints. We present reconstruction experiments that confirm the superiority of non-quadratic sparsity promoting regularization.

Source officielle

https://infoscience.epfl.ch/entities/publication/89126bd2-5afc-4441-b0ce-092dd988a9b9

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Integrated Modeling And Reconstruction With Sparsity Constraints For fDOT

Chattez avec Graph Search

Technology Legalization and Optimization for Adiabatic Quantum-Flux Parametron

Statistical Inference for Inverse Problems: From Sparsity-Based Methods to Neural Networks

Efficient local linearity regularization to overcome catastrophic overfitting