Oct, 2021

深度学习用于 HDR 成像：现状与未来趋势

PDF
TL;DR该研究针对深度 HDR 成像方法进行了全面和深入的调查和分析。他们根据输入照片数量，学习任务数量，新型传感器数据，新型学习策略和应用程序将现有的深度 HDR 成像方法层次化和结构化分组为五类，并对每个类别的潜力和挑战进行了建设性讨论，评估了数据集和评估指标，最终指出了未来的研究方向。
high dynamic range imagingdeep learningmethodologiesapplicationsevaluation metrics
发现论文，激发创造
  • 基于图像深度重建的深度学习架构综述

    本文综述了近五年来使用深度学习技术从单个或多个图像中估计深度的 100 多个关键性贡献，总结了最常用的深度重建流程及其优缺点，并讨论了其研究的未来。

    Jun, 2019

  • 深入探索神经影像中可解释深度学习的综合调查

    本文综述了神经影像领域中可解释深度学习模型的当前状态和应用，讨论了其相关方法、挑战和意见，以及如何利用模型解释性捕捉与模型预测相关的解剖和功能性大脑变化，最后讨论了当前做法的局限性，并提供了有关如何引导未来研究方向以使深度学习模型更加可解释并推进对脑疾病科学理解的宝贵见解和指导。

    Jul, 2023

  • 高光谱图像分类的深度学习：综述

    本文综述了基于深度学习的高光谱影像分类方法，并比较了几种解决方案。该框架将相关工作分为光谱特征网络、空间特征网络和光谱空间特征网络三部分，最后，基于实际高光谱数据验证了几种典型的深度学习分类算法。

    Oct, 2019

  • 深度学习用于加速和鲁棒的 MRI 重建的综述

    深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

    Apr, 2024

  • 神经影像的深度学习：一项验证研究

    本文验证了深度学习在脑成像和神经科学探索中的应用，并探讨了数据转换的参数选择对学习结果的影响。结果表明，深度学习方法能够学习到生理学上重要的表征，并检测神经成像数据中的潜在关系。

    Dec, 2013

  • 使用深度学习技术的单模态和多模态超光谱图像分析

    应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

    Mar, 2024

  • 成像中逆问题的深度学习技术

    探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用，提出了一种可以用于将不同问题和重建方法分类的分类法，并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。

    May, 2020

  • 传统到 Transformer：高光谱图像分类的当前趋势与未来前景调查

    高光谱图像分类是一项具有挑战性的任务，该研究综述了当前深度学习模型和转换器在高光谱图像分类领域的最新趋势和未来发展前景，并提供了关键概念、方法学以及深度学习和转换器在高光谱图像分类中的最新方法。同时，还通过应用三个高光谱数据集进行了全面的实验验证，并讨论了深度学习模型和转换器方法的优势和挑战。最后，概述了进一步提高高光谱图像分类准确性和效率的未来研究方向和潜在应用。

    Apr, 2024

  • 医学影像深度学习综述：MRI 为重点

    概述了近年来机器学习在医学图像处理和分析领域的应用，特别关注深度学习在 MRI 中的应用，以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。

    Nov, 2018

  • 可解释深度学习在神经影像学中的应用综述

    通过对神经影像学应用的可解释性深度学习方法的文献进行系统回顾和评估，本研究发现最受欢迎的可解释性深度学习方法在神经影像数据上可能不太理想，并探讨了该领域的可能未来方向。

    May, 2024