针对 3D 脑部 MRI 超分辨率的增强生成对抗网络
本篇论文提出了一种新的 3D 神经网络设计 —— 多级密集连接超分辨率网络(mDCSRN)结构,并进行了 3D 超分辨率重建应用的实验,结果表明在恢复 4x 分辨率降低的图像上,我们的新型神经网络结构比其他流行的深度学习方法性能更好和速度更快,并且具有促进现实输出的能力。
Mar, 2018
该研究使用对抗学习方法,采用基于 SRGAN 模型的 3D 卷积生成高分辨率 MRI 扫描图像,结合最小二乘法的对抗损失和基于均方误差和图像梯度的内容项提高生成图像的质量,并在上采样阶段探索不同的解决方案,具有潜在的 3D 医学成像超分辨率应用价值。
Dec, 2018
通过提出一种深度残差卷积生成对抗网络(SRResCGAN)来解决真实世界中图像修复过程缺失的问题,该网络通过对 HR 领域的像素级监督来对模型进行敌对训练,并利用残差学习和凸优化技术来最小化能量函数,我们的实验表明,该方法易于部署到其他下采样算子和移动 / 嵌入式设备上,并且能够更好地适应真实世界中的图像噪声问题。
May, 2020
本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法,具有良好的细节保留和结构重建性能,其中 GAN 是提高高分辨率图像生成质量的关键模块之一。
Jun, 2023
本文介绍了一种使用 Charbonnier Loss 函数构建内容损失,并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架,能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比,该模型在大多数基准测试中都能取得更高的结构相似性指数 (SSIM) 分数。
Dec, 2017
本文提出了一种分阶段新颖的感知图像超分辨率方法,第一阶段集中于最小化点之间误差,第二阶段利用前一阶段提取的特征来追求更好的结构保留,并采用第二阶段提取的细节结构特征来产生更真实的结果,通过多尺度特征融合,提出的方法优于现有方法。
Jul, 2019
该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像(CS-MRI)重建方法,在保留高频内容和细节信息的同时,利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明,该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别,非常适合实时临床应用。
Oct, 2019
该研究通过提出 ESRGAN,改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名,并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。
Sep, 2018
本文提出了一种新的神经网络体系结构(3D Densely Connected Super-Resolution Networks),用于从单张低分辨率 MRI 图像中恢复高分辨率的脑部结构特征,实验表明该网络在还原 4 倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。
Jan, 2018
本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法,能够在真实世界的低分辨率与高分辨率图像转换中,保持数据分布的连续性,表现出较高的超分辨率效果。
Sep, 2020