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
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
本文介绍在 GAN 框架中,基于 CPCE 网络的 2D 和 3D 构型进行低剂量 CT 去噪。通过 2D 到 3D 的迁移学习,将已训练过的 2D CNN 扩展为初始的 3D CPCE 去噪模型,提高了去噪性能和收敛速度,并在实际数据中证明了比其他方法更好的性能。
Feb, 2018
本文使用 RED-CNN 深度神经网络在模拟和临床低剂量 CT 成像中取得了竞争优势,尤其在噪声抑制、结构保护和病变检测方面表现优异。
Feb, 2017
本文提出了一种基于深度学习的边缘检测器,结合了 HED 和 Xception 网络,生成适合人眼观察的细线条地图,无需先前的训练或微调。其次,作者还制作了一个大型数据集,用于对比已有的算法和训练提出的边缘检测器,实验结果表明,该方法能够提高 ODS 和 OIS 的 F - 度量值。
Sep, 2019
本文提出通过结合 block devising、architecture searching 和 loss design,构建轻量级卷积神经网络(CNN)来提高图像超分辨率质量。我们提出了一种名为 EFDN 的边缘增强特征蒸馏网络,在受限资源下保留高频信息。该方法构建了基于现有重参数方法的边缘增强卷积模块,并提出了边缘增强梯度损失来校准重参数路径训练。实验结果表明,提出的边缘增强策略能够保留边缘并显著提高最终恢复质量。
Apr, 2022
本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络(SMGAN),通过加入三维体积信息和采用不同损失函数来训练去噪模型,能够有效保留正常剂量 CT 图像的结构和纹理信息,同时显著抑制噪声和伪影,且优于其他已有方法。
May, 2018
本文提出了一种名为 TD-CEDN 的深度轮廓检测算法,该算法采用自上而下的完全卷积编码器 - 解码器网络,并在多尺度、多级特征学习以及前向传播阶段获得原始特征图,然后采用自下而上的方式进行解码,并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测,从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。
May, 2017
为了应对 X-ray CT 低剂量扫描中复杂噪声的问题,提出了一种基于方向小波变换和深度卷积网络的去噪算法,实验结果证实该算法能够有效去除噪声并在 CT 重建中取得良好效果。
Oct, 2016
本文提出了一种新的参数化方法,使用 Scale-Space 矩阵存储每个点周围不同尺度的重建形状的微分信息,从而提供了足够的信息,使得一个充分的神经网络能够学习边缘,并在获取的点云中高效地检测它们。之后,我们提出了一种新的轻量级神经网络结构,其在学习时间、处理时间和分类能力方面均优于 CNN,具有紧凑结构、需要较少的学习集、训练速度非常快且可以在几秒钟内对数百万个点进行分类。
Nov, 2020
本文介绍了一种名为 DudeNet 的基于深度卷积神经网络 (DCNNs) 的图像去噪算法,其通过全局特征提取、局部特征提取以及两者融合的方式实现图像去噪,达到了优于同类算法的效果。
Jul, 2020