In this paper, we consider the standard form of two kinds of Kaczmarz-Tanabe type methods, one derived from the Kaczmarz method and the other derived from the symmetric Kaczmarz method. As a famous image reconstruction method in computed tomography, the Kaczmarz method has both advantage and disadvantage. The advantage are simple and easy to implement, while the disadvantages are slow convergence speed, and the symmetric Kaczmarz method is the same. For the standard form of this method, once the iterative matrix is generated, it can be used continuously in the subsequent iterations. Moreover, the iterative matrix can be stored in the image reconstructive devices, which makes the Kaczmarz method and the symmetric Kaczmarz method can be used like the simultaneous iterative reconstructive techniques (SIRT). Meanwhile, theoretical analysis shows that the convergence rate of symmetric Kaczmarz method is better than the Kaczmarz method but is slightly worse than that of two iterations Kaczmarz method, which is verified numerically. Numerical experiments also show that the convergence rates of the Kaczmarz method and the symmetric Kaczmarz method are better than the SIRT methods and slightly worse than CGMN method in some cases. However, the Kaczmarz Tanabe type methods have better problem adaptability.


翻译:在本文中, 我们考虑两种Kaczmarz- Tanabe类型方法的标准形式, 一种来自Kaczmarz 方法, 另一种来自对称 Kaczmarz 方法。 Kaczmarz 方法在计算断层法中是一种著名的图像重建方法, 作为一种著名的图像重建方法, Kaczmarz 方法具有优势和劣势。 其优点既简单又容易实施, 而劣势是缓慢的趋同速度, 而对称的Kaczmarz 方法也是一样的。 对于这种方法的标准形式, 一旦生成迭代矩阵, 它就可以在随后的迭代中持续使用。 此外, 迭代矩阵可以存储在图像重建设备中, 使Kaczmarz 方法和对称卡茨 方法的对称重塑集成比 。 然而, 理论分析表明, 辛兹 方法的趋同比卡茨 的平流方法要好得多。 然而, 卡茨 的对调制方法也比卡茨 方法的对称方法更差。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Arxiv
0+阅读 · 2022年12月20日
VIP会员
相关资讯
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员