ECCVMar, 2020

W2S: 宽场到 SIM 映射的联合去噪和超分辨率显微镜数据

PDF
TL;DR该研究利用荧光显微镜进行了活细胞成像，探索了在信噪比、空间分辨率和生物样品完整性之间的权衡，并提出了一种新的联合去噪和超分辨率（JDSR）数据集和一种 JDSR 的评估方法.
fluorescence microscopystructured-illumination microscopydenoisingsuper-resolutiondeep learning
发现论文，激发创造
  • 无需清洗基准图像的超分辨率技术：应用于电子显微镜

    通过深度学习的图像超分辨率方法，我们可以对大脑组织中的噪声低分辨率电子显微图像进行重建，以获得清晰的高分辨率三维电子显微图像，为神经科学研究提供了新的可能性。

    Jan, 2024

  • 高分辨率电子显微镜的零样本图像去噪

    提出了 Noise2SR，一个用于高分辨率电子显微镜图像去噪的零样本自监督学习（ZS-SSL）框架，通过超分辨率自监督训练策略和随机子抽样模块，提高了去噪性能，可用于材料成像领域中图像信噪比的改进。

    Jun, 2024

  • 联合去马赛克与超分辨率（JDSR）：网络设计与感知优化

    该研究通过提出一个联合去马赛克和超分辨率算法，使用一种最新的端到端优化模型，基于 RDSEN 网络和 TRaGAN 对质量进行优化，证明了联合去马赛克和超分辨率方法的实用性和合理性，并在拍摄自 NASA 火星好奇号和标准数码照片上得到了显著改进。

    Nov, 2019

  • 利用循环一致性的对抗训练进行内窥镜无监督超分辨率

    本研究提出了一个基于对抗深度神经网络的无监督超分辨率（SR）框架，旨在提高内窥镜图像的质量以进行诊断和介入指导。该框架可以利用高分辨率（HR）图像将其质量传递到起始低分辨率（LR）图像中，从而能够在没有配对 LR / HR 的情况下产生令人信服的超分辨率图像。

    Jan, 2019

  • 具有 2D 监督的生物医学图像超分辨率

    通过利用高分辨率 2D 显微镜数据，我们引入了用于超分辨率的遮蔽切片扩散（MSDSR）方法，该方法克服了传统方法在不同方向上的依赖性，并增强了体积生物医学显微镜检测的质量、分辨率，以及应用于临床诊断和生物医学研究中的障碍。

    Apr, 2024

  • 深度学习实现亚距离限制扫描超透镜显微镜的大景深图像

    使用深度学习构建的扫描超透镜显微镜 (SSUM) 系统通过光学超分辨率图像和扫描电子显微镜 (SEM) 领域图像之间的映射关系，将光学超分辨率图像转化为类似 SEM 的具有大景深的图像，其在图像转换中表现出色，重构结果具有高层次的细节，适用于芯片级缺陷检测、生物样品分析、法医学以及其他各个领域。

    Oct, 2023

  • SinSR: 单步扩散图像超分辨率

    提出了一种名为 SinSR 的简单而有效的方法，通过仅需要一步推断即可生成超分辨率图像，同时利用新的一致性保持损失，以实现比之前最先进方法和教师模型更优的性能和高达 10 倍的推断加速。

    Nov, 2023

  • 深度残差网络实现联合插值和超分辨率

    本论文提出了一种使用深度残差网络联合执行 Bayer 图像去马赛克和超分辨率的方法，按照高质量样本训练的模型可在单步骤中从低分辨率 Bayer 马赛克图像中恢复高质量的超分辨率图像。实验表明，该方法优于目前的各种技术，并在定量和定性指标上取得了优异的表现。

    Feb, 2018

  • SR-CACO-2：共焦荧光显微图像超分辨率数据集

    介绍了一种大型的扫描共聚焦显微镜数据集 SR-CACO-2，用于单图像超分辨率重建方法的性能评估，并提供了 15 种代表性方法的基准结果。

    Jun, 2024

  • 基于深度学习的单幅图像超分辨率的全面综述

    本研究调查了单图像超分辨率的经典方法和基于深度学习的方法，将这些方法分类为四类，并介绍了 SR 的问题，提供了图像质量指标，参考数据集和 SR 的挑战。其中包括 EDSR，CinCGAN，MSRN 等最先进的图像 SR 方法。

    Feb, 2021