本研究提出了一种基于 DDPM 的无监督去噪方法，可改善超声图像的质量并保留散斑纹理特征，在泛化对比噪声比和噪声峰值信噪比方面优于以往方法。

Jun, 2023

通过对七种不同的减噪方法进行比较，本文提出了一种使用深度学习方法的自动编码器来降噪超声图像的方法，并将其与传统的图像增强方法进行了对比，结果发现该方法更为有效。

Mar, 2024

借鉴扩散模型的进展，我们提出了一种混合方法以改进超声成像质量，通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法，并在模拟、离体和体内数据上进行全面的实验，证明其较单一面波输入和现有方法相比实现了高质量的图像重建。

Oct, 2023

本文旨在从网络架构设计和训练数据合成的角度解决当前真实图像去噪的问题，提出了一种新的网络架构设计和噪声退化模型，分别插入到 UNet 框架中从而达到当前最先进的性能水平。

Mar, 2022

通过使用深度学习模型，通过超声成像来准确诊断颈淋巴结病变。我们提出了 Conv-FFT Block 与 US-SFNet 两者相结合的方法，该方法不仅可以从空间域中识别超声图像的变异，还可以在频率域中捕捉不同病变的显微结构改变。通过与其他 12 种经典模型进行对比，结果表明 US-SFNet 在交叉验证中获得了 92.89％的准确度、90.46％的精确度、89.95％的敏感度和 97.49％的特异度。

Aug, 2023

该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

Mar, 2018

本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

Jan, 2020

提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

Apr, 2023

提出了一种以极高的内存效率保留全局和局部信息的协作全局 - 本地网络，同样适用于粗到细的分割，用于超高分辨率图像的分割。

May, 2019

我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

Nov, 2017