Deep Learning for Computational Imaging
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár GBP 40.00
-
18 060 Ft (17 200 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 10% (kb. 1 806 Ft)
- Kedvezményes ár 16 254 Ft (15 480 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
18 060 Ft
Beszerezhetőség
Becsült beszerzési idő: A Prosperónál jelenleg nincsen raktáron, de a kiadónál igen. Beszerzés kb. 3-5 hét..
A Prosperónál jelenleg nincsen raktáron.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó OUP Oxford
- Megjelenés dátuma 2025. április 30.
- ISBN 9780198947189
- Kötéstípus Puhakötés
- Terjedelem240 oldal
- Méret 234x157x15 mm
- Súly 406 g
- Nyelv angol 583
Kategóriák
Rövid leírás:
This textbook offers an introduction to deep learning for solving inverse problems. It introduces deep neural networks and deep neural network based signal and image reconstruction techniques. It discusses robustness aspects, how to evaluate and test different methods, and data-centric aspects.
TöbbHosszú leírás:
Computational techniques for image reconstruction problems enable imaging technologies including high-resolution microscopy, astronomy and seismology, computed tomography, and magnetic resonance imaging. Until recently, methods for solving such inverse problems were derived by experts without any learning. Now, the best performing image reconstruction methods are based on deep learning.
This textbook gives the first comprehensive introduction to deep learning based image reconstruction methods. This book first introduces important inverse problems in imaging, including denoising and reconstructing an image from few and noisy measurements, and explains what makes those problems hard and interesting. Then, the book briefly discusses traditional optimization and sparsity based reconstruction methods, as well as optimization techniques as a basis for training and deriving deep neural networks for image reconstruction.
The main part of the book is about how to solve image reconstruction problems with deep learning techniques: The book first disuses supervised deep learning approaches that map a measurement to an image as well as network architectures for imaging including convolutional neural networks and transformers. Then, reconstruction approaches based on generative models such as variational autoencoders and diffusion models are discussed, and how un-trained neural networks and implicit neural representations enable signal and image reconstruction. The book ends with a discussion on the robustness of deep learning based reconstruction as well as a discussion on the important topic of evaluating models and datasets, which are a critical ingredient of deep learning based imaging.
Tartalomjegyzék:
Introduction
Solving inverse problems with optimization tasks
Solving optimization problems
Sparse modelling
Plug-and-play methods
Learning to solve inverse problems end-to-end
Unrolled neural networks
Self-supervised learning
Signal reconstruction via imposing generative priors
Diffusion models
Signal reconstruction with un-trained neural networks
Coordinate-based multi-layer perceptrons
Robustness to perturbations
Datasets and evaluation of image reconstruction methods
Advanced reconstruction problems
Mathematical background
