ICCVSep, 2021

Eformer：基于边缘增强的医学图像去噪 Transformer

PDF
TL;DR本文提出了 Eformer - Edge enhancement based transformer，这是一种新型的结构，利用变压器块构建编码器 - 解码器网络进行医学图像去噪。变压器块中使用非重叠窗口自注意力，以减少计算要求。该文进一步将可学习的 Sobel-Feldman 运算符并入图像中以增强边缘，并提出了将它们在我们的结构的中间层中连接的有效方法。实验分析比较了确定性学习和残差学习用于医学图像去噪任务。为了证明我们方法的有效性，我们的模型在 AAPM-Mayo Clinic 低剂量 CT 大挑战数据集上进行评估，并达到最新的性能，即 43.487 PSNR，0.0067 RMSE 和 0.9861 SSIM。我们相信我们的工作将鼓励更多的研究者使用残差学习开发基于变压器结构的医学图像去噪方法。
eformertransformermedical image denoisingedge enhancementsobel-feldman operators
发现论文，激发创造
  • Uformer: 一种通用的 U 形变形器 用于图像修复

    本文介绍了 Uformer - 一种基于 Transformer 的高效图像恢复架构，在其中构建了使用 Transformer 块的分层编码器 - 解码器网络。使用局部增强窗口 (LeWin) Transformer 块和多尺度恢复调制器，Uformer 具有高效捕获局部和全局图像依赖性的能力，可用于多种图像恢复任务，并在实验证明与最先进的算法相比具有卓越的性能。

    Jun, 2021

  • Restormer: 高分辨率图像修复的高效 Transformer 模型

    本文提出了一种名为 Restoration Transformer 的有效 Transformers 模型，通过几个关键设计，使其能够捕捉长距离像素交互，同时仍适用于大图像，在图像去噪、去模糊和降雨方面达到了最先进的效果。

    Nov, 2021

  • D-Former: 一种用于 3D 医学图像分割的 U 形扩张 Transformer

    本文提出了一种称为 Dilated Transformer 的方法，该方法在全球和局部范围内交替捕捉成对的补丁关系进行自我关注。我们基于 Dilated Transformer 的设计构建了一种名为 D-Former 的 U 型编码器 - 解码器分层结构，用于 3D 医学图像分割。实验表明，我们的 D-Former 模型在低计算成本下，从头开始训练，优于各种有竞争力的基于 CNN 或 Transformer 的分割模型。

    Jan, 2022

  • EDTER: 基于 Transformer 的边缘检测

    本文介绍了一种基于 transformer 的边缘检测器，利用全局上下文信息和详细的局部线索同时提取清晰和清晰的物体边界和有意义的边缘，表现比现有技术更优秀。

    Mar, 2022

  • Entroformer：基于 Transformer 的熵模型学习图像压缩

    提出了一种新型的基于 Transformer 的熵模型（Entroformer），用于在图像压缩中有效地捕获远距离依赖，并通过并行双向上下文模型加速解码进程，实现了最先进的性能。

    Feb, 2022

  • 一种用于无监督可变形图像配准的轻量级残差网络

    使用改进的卷积神经网络进行体积图像配准，提供增强的感受野，减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。

    Jun, 2024

  • EFormer：专注于肖像抠图前景语义轮廓特征的增强 Transformer

    我们提出了 EFormer 方法，用于增强模型对语义和轮廓特征的注意力，特别是后者，通过建立语义和轮廓探测器 (SCD) 来准确捕捉它们的分布，最终通过融合这两种特征生成预测的肖像 alpha matte。实验表明，EFormer 方法在肖像抠图任务中优于之前的方法。

    Aug, 2023

  • 一个用于图像去噪的交叉变压器

    通过交互作用和残差块，在复杂场景下提取干净图像所需的有效结构信息，我们提出了一个串行块、并行块和残差块的交叉 Transformer 去噪卷积神经网络（CTNet）。经实验证明，CTNet 在真实和合成图像去噪方面优于一些流行的方法，适用于手机等移动数字设备。

    Oct, 2023

  • 网格去噪变换器

    我们提出了一种名为 SurfaceFormer 的创新的基于 Transformer 的网格去噪框架，通过引入本地表面描述符以及双流结构和自注意力机制，实现了对网格噪声的有效去除。该方法在客观和主观评估中均超过了现有的最先进方法，标志着网格去噪领域的重要进展。

    May, 2024

  • Medformer：一种用于医学时间序列分类的多粒度补丁变换器

    介绍了一种专为医学时间序列分类定制的多粒度补丁变换器 Medformer，该方法利用交叉通道补丁、多粒度嵌入、两阶段多粒度自注意等新机制，在多个公共数据集上的实验证明了其在医疗应用中的显著影响。

    May, 2024