Apr, 2023

基于边缘注意力的快速 MRI 重建

PDF
TL;DR提出一种轻量级、准确的边缘关注 MRI 重建网络 (EAMRI) 来对较少的 k 空间数据进行图像重建，并通过提取边缘先验信息引导重建高质量和带有精确边缘的 MR 图像，与传统的自注意机制相比，能够显著降低计算复杂度，具有更高的精度和更少的参数。
mri reconstructiondeep-learning methodsedge attention moduleedge guidanceaccuracy
发现论文，激发创造
  • 镜像网络在伪装物体检测中的边缘感知

    现有的边缘感知伪装物体检测方法通常在早期阶段输出边缘预测，然而，边缘是后续分割任务中的重要且基本因素。为了解决这个问题，我们提出了一种新颖的边缘感知镜像网络（EAMNet），将边缘检测和伪装物体分割建模为交叉优化过程。实验结果表明，EAMNet 在三个广泛使用的伪装物体检测数据集中优于现有的最先进基线方法。

    Jul, 2023

  • 基于稀疏图注意力机制的卷积神经网络 MRI 超分辨率

    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

  • CMRatt：一种基于注意力机制的加速心脏 MRI 重建方法

    通过在深度学习模型中引入注意力机制，本研究旨在探索在心脏磁共振重建问题中整合注意力机制的潜力。我们对多种最先进的空间和通道注意力机制进行了基准测试，并使用客观指标定量评估重建质量。受表现最佳的注意力机制的启发，我们提出了一个新的、简单而有效的注意力流水线，专门为心脏图像重建任务进行了优化，优于其他最先进的注意力方法。

    Apr, 2024

  • 期望最大化注意力网络用于语义分割

    本文提出了一种基于期望最大化的注意力机制模块，通过迭代估计一组更紧凑的基础来计算注意力图，从而获得低秩的表示并消除输入中的噪声信息。该模块对输入的差异性具有鲁棒性，且内存和计算效率较好，适用于计算机视觉任务和语义分割模型，在 PASCAL VOC 等数据集上实现了最佳记录。

    Jul, 2019

  • 联合边缘优化深度展开网络用于加速磁共振成像重建

    通过建立联合边缘优化模型，结合 MRI 图像和边缘的特定正则化器以及协同正则化器，利用非边缘概率图引导图像重建，借助深度展开网络自动学习图像和边缘的先验信息，在多种采样因子的多线圈和单线圈 MRI 数据的数值实验中，表明所提出的方法优于其他方法。

    May, 2024

  • 基于注意力立方体网络的图像恢复

    本文提出了一种基于注意力机制的深度卷积神经网络用于图像修复，在空间、通道和层次三个维度加入注意力机制以用于更好的特征表达和特征相关性学习。实验表明该方法在定量和视觉分析上优于现有方法。

    Sep, 2020

  • 强调有效图像恢复的关键特征

    本研究提出了一种高效有效的框架，用于适应不同区域间存在的不同程度退化的图像恢复，并且在合成和真实数据集上优于目前的最先进方法。

    May, 2024

  • 基于注意力机制的脑肿瘤二阶段 MR 图像分割方法

    提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络，以及一种关注性生成跨模态分割方法，该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。

    Apr, 2023

  • 神经注意力存储

    提出了一种新颖的关注机制，即神经关注记忆（NAM），它是一种可读写的记忆结构，并基于此设计了基于 NAM 的 MANN、few-shot 学习、N-way K-shot 学习和 Transformer 等模型，实验证明 NAM 在算法零样本泛化、减少假阳性等方面效果更好。

    Feb, 2023

  • 图像分类的明确建模注意力图

    本文介绍了一种新的自我注意力模块，使用一种明确建模的注意力映射，利用几何先验来提高图像分类的准确性，实验证明该方法在 ImageNet ILSVRC 中的准确性提升了 2.2%，在参数和计算量分别减少 6.4% 和 6.7% 的情况下，相对于 AA-ResNet152 准确率提高了 0.9%。

    Jun, 2020