Nov, 2023

使用门控循环卷积神经网络对医学图像进行流式无损体积压缩

PDF
TL;DR该论文介绍了一种基于深度学习的无损压缩方法，针对医学体积图像提出了一个只需要其他学习型压缩方法的千分之一的模型权重的硬件友好流式无损体积压缩框架，通过融合不同的卷积结构和门控循环卷积神经网络机制来捕捉切面间的依赖关系，并基于这样的上下文信息来预测像素级的熵编码分布，通过硬件 / 软件的协同设计原则，在可编程门阵列上实现了提出的框架以实现增强的实时性能，在各种医学图像基准测试中，广泛的实验结果显示我们的方法优于传统无损体积压缩器和现有的学习型无损压缩方法，同时我们的方法表现出强大的泛化能力和有竞争力的压缩速度。
deep learning-based compressionvolumetric imagesrecurrent convolutional neural networkentropy codinghardware/software co-design
发现论文，激发创造
  • V-Net: 用于体积医学影像分割的全卷积神经网络

    本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

    Jun, 2016

  • 透過递归神经网络实施全解析度图像压缩

    通过神经网络构建一套高效率图像压缩方法，新架构由编码器、解码器、二值化器和熵编码神经网络组成，可变压缩比率，能在感知度量上对 JPEG 进行改善，并取得了最好的表现。

    Aug, 2016

  • 机器视觉引导的云端三维医学图像压缩，实现高效传输和准确分割

    本研究提出了一种基于深度学习的医学图像自动分割算法，通过专为分割设计的机器视觉态度的 3D 图像压缩框架，在保证分割精度的同时，显著提高了压缩比率。

    Apr, 2019

  • 基于学习的有损图像压缩：综合调研

    本论文介绍了近年来利用机器学习架构进行图像压缩的技术与方法，主要包括自编码器、卷积神经网络、生成对抗网络等，并探讨了该领域仍需解决的问题。

    Jan, 2022

  • 基于卷积神经网络的端到端压缩框架

    本文提出了基于卷积神经网络的图像压缩框架，其中包括用于压缩的紧凑型 CNN 和用于重构压缩图像的重构型 CNN，开发了一种统一的端到端学习算法以有效协同两种 CNN，并与现有的图像编码标准兼容。实验结果表明，所提出的压缩框架大大优于使用现有图像编码标准的多种压缩框架。

    Aug, 2017

  • 基于深度卷积神经网络学习虚拟编解码器用于图像压缩

    本研究提出一种基于卷积神经网络的端到端图像压缩框架，通过特征描述神经网络获取低维有效描述，借助标准图像编解码器进一步压缩图像后，再通过后处理神经网络消除失真和压缩留痕，最终通过虚拟编解码器神经网络通过反向传播优化整个系统。实验结果表明该方法在极低比特率下比当前现有算法性能更优。

    Dec, 2017

  • 变长损失高密度压缩乳腺 X 线图像的全卷积模型

    使用全卷积自编码器结合算术编码实现医学影像的有损压缩，并在公开数据集上进行性能测试，最高压缩比可达 300 倍。

    May, 2018

  • 无损点云几何压缩的多尺度深度上下文建模

    提出了一种名为 MSVoxelDNN 的实用深度生成方法，用于无损点云几何压缩，并表明它与 MPEG G-PCC 编解码器相比大大降低了比特率。

    Apr, 2021

  • 使用生成对抗网络进行结构保留的压缩感知磁共振成像重建

    该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像（CS-MRI）重建方法，在保留高频内容和细节信息的同时，利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明，该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别，非常适合实时临床应用。

    Oct, 2019

  • 用于遥感中安全有损图像压缩的卷积变分自编码器

    通过卷积变分自编码器 (CVAE) 进行图像压缩的研究，其能够显著降低传输数据体积并保证安全有损图像重建的品质。

    Apr, 2024