English(EN) Training-Free Adversarial Robustness in Computational MRI

新方法增强MRI重建对对抗攻击的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-16 04:00

研究人员开发了一种新颖的方法，以增强用于计算MRI重建的深度学习模型在对抗攻击下的鲁棒性。这种新方法在最近的一篇arXiv论文中有所详细介绍，可以在无需对现有模型进行任何重新训练的情况下，减轻由微小输入扰动引起的重建图像失真。该技术利用循环测量一致性，围绕攻击输入最小化一个新的目标函数，在各种数据集和攻击场景中均显示出显著的定性和定量性能提升。 AI

影响这项研究可能为医疗成像带来更可靠、更安全的AI模型，降低因对抗性操纵导致的诊断错误风险。

排序理由该集群包含一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

Mahdi Saberi

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Mahdi Saberi, Chi Zhang, Mehmet Ak\c{c}akaya · 2026-06-16 04:00

Training-Free Adversarial Robustness in Computational MRI

arXiv:2501.01908v4 Announce Type: replace-cross Abstract: Deep learning (DL) methods have become the state-of-the-art for reconstructing sub-sampled magnetic resonance imaging (MRI) data. However, studies have shown that these methods are susceptible to small adversarial input pe…

报道来源 [1]

Training-Free Adversarial Robustness in Computational MRI

相关话题