多对比度 MR 图像分离式注意力超分辨率探索
本文提出了一种多阶段集成网络（MINet）用于多对比度 MRI SR，该网络能够显式地建模不同阶段的多对比度图像之间的依赖关系以引导图像 SR。实验证明，MINet 优于目前的多对比度 SR 方法，具有改善目标图像质量的能力。
May, 2021
本文提出了一种基于隐式神经表示的双任意多对比度 MRI 超分辨率方法 (Dual-ArbNet)，该方法可以无限制地使用任意缩放的目标和参考图像进行图像重建，并通过课程学习策略提高了该方法在两个 MRI 数据集上的性能。
Jul, 2023
本研究提出了一种用于多对比度 MRI 超分辨率的新型网络结构 CANM-Net，其采用复合自我注意机制和邻域匹配模块，在空间和通道维度捕捉特征依赖性，通过匹配退化特征和相邻参考特征来融合它们以获得高质量图像。实验表明，CANM-Net 在 IXI、fastMRI 和真实世界扫描数据集上均优于现有方法。
Jul, 2023
提出利用多个卷积算子特征提取模块的 A 网络，通过多次跨特征提取模块的交互来突出关键特征，并使用基于注意力的稀疏图神经网络模块建立像素特征之间的关系，以弥补卷积神经网络模型表达能力有限的缺陷，在医学图像分辨率提高方面获得了显著的改进。
May, 2023
本文提出了一种用于 MRI 多对比度超分辨率图像的神经网络方法，实验结果表明该网络可以产生高质量的超分辨率图像，在图像质量和结构相似度方面优于其他多对比度超分辨率方法，而且渐进网络即使在原始低分辨率图像高度下采样时，也比非渐进网络更能产生更好的 SR 图像质量。
Aug, 2019
本文提出了一种新的模型引导的可解释深层展开网络 (MGDUN) 用于医学图像超分辨重建，该方法解决了现有超分辨率重建网络的黑匣子缺陷和单一对比度或简单多对比度融合机制的问题通过，通过手动设计的目标函数重建高分辨率 MRI，实验证明该方法在 IXI 数据集和 BraTs 2019 数据集上具有优越性。
Sep, 2022
通过采用二值化特征融合（BFF）结构，提出了基于残差组（RG）的多尺度特征提取模块和通道注意力机制的混合残差注意网络（HRAN），能够显著提高图像超分辨率的性能。
Jul, 2019
本研究提出了一种基于自监督对比学习的非配对 MRI 超分辨率方法，利用有限的训练数据提高超分辨率性能，结果显示即使在仅有有限数量的 HR 图像的情况下，峰值信噪比和结构相似性指数都得到了显著提高，强调了该方法在解决有限训练数据挑战上的潜力，以推进临床应用中的高分辨率 MRI。
Oct, 2023
本文提出了一种基于注意力机制的两阶段深度卷积神经网络，可以在从粗到细的方式下进行超分辨率图像重建，并通过使用多层上下文关联特征的多层上下文注意力块和利用高分辨率空间中的有用线索来重建高分辨率图像的重要细化关注块，以提高超分辨率性能并获得良好的视觉效果
Apr, 2021
本文提出 MAFFSRN 方法，通过特征融合和多重注意机制提出了一种轻量级的图像超分辨率网络，实验表明该方法在内存占用、浮点运算次数和模型参数数量等方面表现优秀。
Aug, 2020