CMISR:循环医学图像超分辨率
多图像超分辨率 (MISR) 方法以子像素偏移的形式结合多张图像中的互补信息来提高低分辨率 (LR) 图像的空间分辨率,在准确注册和融合多图像信息方面存在困难。本研究提出的 EpiMISR 模型通过使用采集过程的极线几何以及基于 Transformer 的辐射特征场进行处理,在存在大的 LR 图像视差的情况下明显改进了目前最先进的 MISR 方法。
Jan, 2024
通过对公共数据集、评估指标和四类方法的研究以及在基准数据集上的比较,本文全面评估了基于深度学习的单个图像超分辨率(SISR)方法中类别为基于退化建模、基于图像对、基于域转换和基于自学习的 RSISR 方法在重建质量和计算效率方面的表现,并讨论了 RSISR 的挑战和未来研究方向。
Mar, 2021
通过借助提出的可逆尺度条件函数(ICF),我们构建了一种新颖的自监督单图超分辨率(SISR)框架(ICF-SRSR),用于处理真实世界中的 SR 任务,而无需使用任何配对 / 非配对训练数据,并且我们的 ICF-SRSR 能够生成逼真且可行的低分辨率 - 高分辨率图像对,使得现有的监督 SISR 网络更加鲁棒。广泛的实验证明了我们所提出方法在处理 SISR 中以完全自监督的方式的有效性。与在真实世界情境中使用合成配对图像进行训练的现有方法相比,我们的 ICF-SRSR 表现出了更优越的性能,并且在公共基准数据集上与最先进的监督 / 无监督方法相当。
Jul, 2023
本文提出了一种基于 Mixed Gradient Error 的深度学习网络 ——Modified U-net,将其作为损失函数,减少网络参数,从而加速图像重构,与现有方法相比,该重构方法具有更好的性能和时间消耗。
Nov, 2019
本研究提出了一种 Single Image Super-Resolution 的解决方案,可以在保证低复杂度的前提下,通过训练数据来学习一组 filter,使得对于一张不在训练集中的图片,可以生成更高分辨率、更高质量的图片;同时该方法还包括了一种有效的图像锐化算法,可以作为预处理步骤来提高下采样放大滤波器的学习效果。
Jun, 2016
本文提出了一种基于 Laplacian 金字塔的核预测网络(LP-KPN)来恢复高分辨率图像,通过使用实际拍摄的 LR-HR 图像对构建 RealSR 数据集,证明了使用此数据集训练的 SISR 模型在真实场景中能够提供更好的视觉效果,且模型能够适应不同的相机设备。
Apr, 2019
通过引入两个包含非对焦散焦的新数据集 NYUv2-BSR 和 Cityscapes-BSR,分析不具有空间不变性的空间变异性使传统的盲超分辨率 (SR) 方法性能严重下降,并设计了一种新的 CMOS 网络来同时估计图像的位置不变性和语境,实验结果表明了其方法优于目前技术的传统方法。
Apr, 2023
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
单张图像超分辨率(SISR)使用深度卷积网络取得了显著的进展,但传统网络只能将图像放大到固定比例,因此利用隐式神经函数生成任意比例的图像;本文介绍了一种新颖高效的框架 —— 混合专家隐式超分辨率(MoEISR),它在显著提高计算效率的同时,能够以任意比例进行超分辨率重建,而不损失重建质量;MoEISR 利用轻量级映射器模块动态分配最适合的解码专家给每个像素,使具有不同容量的专家能够重建复杂度各异的区域像素;实验证明,MoEISR 能够在缩减高达 73% 的浮点运算(FLOPs)的同时,提供相当或更优的峰值信噪比(PSNR)。
Nov, 2023
介绍了基于深度学习的单图超分辨率问题的方法和分类,其中包括了网络架构和深度学习优化目标两个方面,归纳了各种方法的局限和改进,并从各种角度展开了比较和分析,并讨论了当前挑战和未来趋势。
Aug, 2018