Oct, 2020

深度去噪在科学发现中的应用：以电子显微镜为例

PDF
TL;DR本文提出了一种基于模拟图像的去噪方法，即模拟图像去噪 (SBD) 框架，该框架使用卷积神经网络 (CNNs) 在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色，同时也分析了 SBD 的泛化能力和 CNNs 的视野对其性能的影响。
denoisingsimulation-based denoisingconvolutional neural networkstransmission electron microscopylikelihood maps
发现论文，激发创造
  • 去噪：从传统方法到深度卷积神经网络

    该论文探讨图像去噪的演变过程，从傅里叶分析和小波基础方法到神经网络，尤其是 U-Net 的出现。神经网络在 2010 年代的研究中展现出卓越的性能，适用于各种图像类型，包括具有固定规律性、人脸图像和卧室场景，以及对几何适应性调和基础有偏好的结果。引入分数扩散在图像生成中起着关键作用，图像去噪在这一背景下变得至关重要，因为它有助于概率密度的估计。我们讨论了真实学习概率密度的先决条件，并提供了从数学研究到通用结构的深入洞察。

    Apr, 2024

  • 无监督微观显微镜视频去噪

    提出了一种新颖的无监督网络来降噪显微镜视频，通过在底层卷积神经网络中整合时间信号滤波器，恢复被未知噪声类型破坏的显微镜视频。实验证实，该无监督模型在广泛的噪声场景中表现出色，尤其适用于显微镜视频。

    Apr, 2024

  • 图像去噪中的深度学习：概述

    本文对深度学习在图像去噪中的应用进行了比较研究，区分了不同类型的卷积神经网络的使用场景，比较了不同方法在公共图像去噪数据集上的表现，并指出了未来研究的挑战和方向。

    Dec, 2019

  • Cryo-CARE: 适用于低温透射电子显微镜数据的内容感知图像修复

    本文介绍了如何将深度学习中的图像去噪方法应用于冷冻透射电子显微镜（cryo-TEM）数据中，实现了对每个投影和整个图像容量的去噪，并通过自动化下游处理的方式证明了去噪后数据的可解释性和提高的分割结果。

    Oct, 2018

  • 图像去噪的增强 CNN

    本文提出了一种名为增强卷积神经去噪网络（ECNDNet）的新方法，通过使用残差学习和批量归一化技术提高了训练效果并加速了网络的收敛。此外，提议的网络使用扩张卷积增大了上下文信息，降低了计算成本，并在广泛实验中证明了 ECNDNet 优于图像去噪的现有最先进方法。

    Oct, 2018

  • 利用时间序列图像的深度学习对低剂量图像进行去噪

    数字图像设备广泛应用于许多领域，但当观察不能使用足够剂量时会出现图像噪声问题。机器学习去噪技术被期望解决此问题，然而存在以下问题。本文以电子显微镜的原位观察视频为例，报告了机器学习去噪在超低剂量观察中产生的伪影问题，并提出了一种将时间序列图像分解为空间轴和时间的二维图像的方法进行机器学习去噪，从而实现了在科学、工业和生活中从低剂量成像中准确稳定地重建连续高分辨率图像的新途径。

    Mar, 2024

  • 通过增益调整的自适应去噪

    本研究提出了一种名为 "GainTuning" 的方法，该方法通过调节卷积神经网络中每个通道的单个比例因子，使预先训练的深度卷积神经网络 (CNNs) 在适用于实际测试图像时能够自适应性的提高去噪性能。通过在多项标准图像去噪数据集上的实验也表明，该方法具有比当今最先进的方法更好的性能表现。

    Jul, 2021

  • EDCNN: 基于边缘增强的稠密连接网络与复合损失用于低剂量 CT 图像去噪

    该研究提出基于边缘增强的密集连接卷积神经网络（EDCNN）用于低剂量 CT 图像去噪，并引入混合损失函数以增强模型去噪效果，取得了较好的效果。

    Oct, 2020

  • 鲁棒的单颗粒冷冻电镜图像去噪与修复

    该研究介绍了一种扩散模型和后处理框架，能够有效地降噪和修复单颗粒冷冻电子显微图像，并能够获得更准确和高分辨率的三维重建结构。

    Jan, 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