Cantitate/Preț
Produs
Total produse
Vezi coșul
Deep Learning for Computational Imaging de Reinhard Heckel

Deep Learning for Computational Imaging

Autor Reinhard Heckel
en Limba Engleză Hardback – 30 apr 2025

Prezentat sub formă de manual, Deep Learning for Computational Imaging reprezintă prima resursă academică structurată care sintetizează tranziția de la metodele clasice de reconstrucție la cele bazate pe rețele neurale profunde. Observăm o abordare didactică riguroasă, care nu abandonează fundamentul matematic: autorul începe prin a defini problemele inverse în imagistică — de la microscopie la RMN — explicând de ce soluțiile tradiționale, bazate exclusiv pe optimizare și raritate (sparsity), au fost depășite de noile tehnici de învățare automată.

Esența volumului rezidă în diversitatea arhitecturilor analizate. Apreciem includerea nu doar a rețelelor convoluționale standard, ci și a transformatoarelor și a modelelor generative, precum autoencoderele variaționale și modelele de difuzie. Spre deosebire de Deep Learning for Biomedical Image Reconstruction, care se concentrează strict pe aplicații medicale precum CT sau X-ray, lucrarea de față extinde cadrul teoretic către astronomie și seismologie, oferind o perspectivă interdisciplinară mai largă. Totodată, volumul completează viziunea din Compressive Imaging: Structure, Sampling, Learning prin integrarea rețelelor neurale neantrenate, demonstrând cum reprezentările implicite pot reconstrui semnale complexe fără seturi masive de date prealabile.

Stilul este unul tehnic, precis, axat pe aplicabilitate în curriculumul de masterat sau doctorat în matematică aplicată și inginerie. Un punct forte este capitolul final dedicat robusteții și evaluării modelelor, un subiect adesea ignorat, dar crucial pentru validarea rezultatelor în medii de cercetare critică.

Citește tot Restrânge

Preț: 58910 lei

Preț vechi: 78701 lei
-25%

Puncte Express: 884
Paperback 29556 lei
Hardback 58910 lei

Carte disponibilă

Livrare economică 08-13 mai

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9780198947172
ISBN-10: 0198947178
Pagini: 240
Dimensiuni: 161 x 242 x 18 mm
Greutate: 0.53 kg
Editura: OUP OXFORD
Colecția OUP Oxford
Locul publicării:Oxford, United Kingdom

De ce să citești această carte

Această carte este indispensabilă pentru cercetătorii și studenții care doresc să stăpânească intersecția dintre analiza numerică și inteligența artificială. Cititorul câștigă o înțelegere clară a modului în care modelele de difuzie și transformatoarele pot fi aplicate practic pentru a îmbunătăți rezoluția și calitatea imaginilor în științe. Este un ghid teoretic solid care transformă „cutia neagră” a deep learning-ului într-un instrument de calcul previzibil.

Despre autor

Reinhard Heckel este un cercetător recunoscut în domeniul procesării semnalelor și al învățării automate, cu o capacitate remarcabilă de a aplica concepte matematice abstracte în tehnologii emergente. În lucrarea sa anterioară, Information-Theoretic Foundations of DNA Data Storage, acesta a explorat limitele fundamentale ale stocării informației în structuri biologice, utilizând modele probabilistice complexe. Aceeași rigoare în modelarea canalelor de date și a zgomotului se regăsește și în prezentul volum, unde Heckel transferă expertiza sa în teoria informației către domeniul reconstrucției de imagine, consolidându-și poziția de expert în probleme inverse și sisteme de învățare.

Descriere

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.

Notă biografică

Reinhard Heckel is a Professor of Machine Learning (Tenured Associate Professor) at the Department of Computer Engineering at the Technical University of Munich (TUM), and adjunct faculty at Rice University, where he was an assistant professor of Electrical and Computer Engineering from 2017-2019. Before that, he was a postdoctoral researcher in the Berkeley Artificial Intelligence Research Lab at UC Berkeley, and before that a researcher at IBM Research Zurich. He completed his PhD in 2014 at ETH Zurich and was a visiting PhD student at Stanfords University's Statistics Department. Reinhard's work is centered on machine learning, artificial intelligence, and information processing, with a focus on developing algorithms and foundations for deep learning, particularly for medical imaging, on establishing mathematical and empirical underpinnings for machine learning, and on the utilization of DNA as a digital information technology.