基于 Transformer 的自蒸馏生成式先验用于脑 MRI 超分辨率
该研究开发了一种新的残差 - 残差稠密块发生器 (RRDG) 来解决基于 GAN 的三维 SISR,并提出了一种改进收敛行为的 Patch GAN 鉴别器来更好地建模脑图像纹理,并提出了一种新颖的解剖学保真度评估方法,这些开发通过一种简单,高效的方法结合起来,以实现影像和质地质量之间的平衡。
Jul, 2019
利用潜在扩散模型 (latent diffusion model) 配合深度学习方法,提高临床 MRI 扫描的分辨率,为 MRI 重建提供有力的先验信息。
Aug, 2023
本篇论文提出了一种新的 3D 神经网络设计 —— 多级密集连接超分辨率网络(mDCSRN)结构,并进行了 3D 超分辨率重建应用的实验,结果表明在恢复 4x 分辨率降低的图像上,我们的新型神经网络结构比其他流行的深度学习方法性能更好和速度更快,并且具有促进现实输出的能力。
Mar, 2018
本研究提出了利用通道分割网络(CSN)来缓解深度学习模型的表达负担,从而提高医学磁共振图像的空间分辨率。在各种磁共振图像(包括质子密度(PD)、T1 和 T2)上进行了广泛的实验,证明了所提出的 CSN 模型在单张图像超分辨率方面比其他最先进的方法具有更出色的性能。
Oct, 2018
本文提出了一种新的神经网络体系结构(3D Densely Connected Super-Resolution Networks),用于从单张低分辨率 MRI 图像中恢复高分辨率的脑部结构特征,实验表明该网络在还原 4 倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。
Jan, 2018
通过提出一种深度残差卷积生成对抗网络(SRResCGAN)来解决真实世界中图像修复过程缺失的问题,该网络通过对 HR 领域的像素级监督来对模型进行敌对训练,并利用残差学习和凸优化技术来最小化能量函数,我们的实验表明,该方法易于部署到其他下采样算子和移动 / 嵌入式设备上,并且能够更好地适应真实世界中的图像噪声问题。
May, 2020
本文提出了一种新颖的名为 $O^{2}$former 的框架,通过引入方向操作员和多尺度特征融合策略,改善了放射性图像超分辨率任务中重建模型的性能,有望进一步推动放射图像增强领域的发展。
Dec, 2023
本文提出了一种基于 GAN 方法的图像超分辨率算法,通过梯度信息作为额外的结构先验,以结构保留的方式减少回复的图像中的不良结构畸变,并引入可学习的神经结构提取器(NSE)来寻找更丰富的局部结构和提供更强的超分辨率监督。实验结果表明,该方法优于当前基于感知的 SR 方法。
Sep, 2021
本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法,能够在真实世界的低分辨率与高分辨率图像转换中,保持数据分布的连续性,表现出较高的超分辨率效果。
Sep, 2020