通过使用扩散模型，利用 “DiffPam” 算法来加速光声成像过程。研究发现 DiffPam 在重构欠采样的光声显微镜图像方面具有可比性，并且无需大量数据集或深度学习模型的训练。这项研究强调了对具有有限人工智能专业知识和计算资源的研究人员来说，DiffPam 算法的重要性。

Dec, 2023

本研究利用物理规范化深度自监督学习结构，加速针对集成电路的 ptycho-laminographic 重建，仅需采集 16 倍少的角度样本和 4.67 倍更快的计算，且重建品质优于完整采集和无学习的密采集重建，从而实现了对纳米结构的三维检查，并为安全和可靠性保障做出了贡献。

Apr, 2023

本文介绍了一种基于深度学习的超分辨率 PAA 方法，该方法使用伪造的 PAA 图像来训练超分辨率模型，以提高其泛化性能。实验结果表明，我们的方法在原始域和交叉域测试中均优于使用真实 PAA 图像训练的模型，并展示了基于深度学习模型伪造图像的超分辨重建质量的提升，说明深度学习模型之间的协作可以促进泛化能力，尽管初始数据集有限。

May, 2023

该研究提出了在扩散磁共振成像中，使用参数连续卷积网络进行角度超分辨率，并且在全局坐标和领域特定上下文等方面进行了改进。该方法不仅可以有效降低参数数量，还能够泛化至临床相关的下游分析，如 Fixel 相关分析和神经元方向分散和密度成像。

Jun, 2023

利用概率模型，我们提出了一种旋转一致性约束的基于分数的生成模型（RCC-SGM），通过采样 Langevin 动力学和约束项之间的迭代建立 PAT 图像，可支持不同的测量过程，并达到更好的 PSNR 表现（32.29 比 16 次随机采样的测量下的 PSNR，而监督方法只有 28.50）。

Jun, 2023

本研究提出了一种利用双目系统对称性线索优化立体图像超分辨率的方法，设计了一个 Siamese 网络和一个对称双向视差注意模块 (biPAM)，并使用几种抗光度损失增强立体一致性，实验结果表明我们的方法性能优越。

Nov, 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

当前的场景文本图像超分辨率方法主要关注于提取稳健特征、获取文本信息和复杂的训练策略以生成超分辨率图像。然而，现有的方法很少关注将低分辨率图像转换为高分辨率图像过程中至关重要的上采样模块。为了解决这个问题，我们提出了基于图注意力的像素适配器模块（Pixel Adapter Module，PAM），用于解决上采样引起的像素失真问题。与以往的图注意力机制不同的是，我们的方法通过消除对稀疏邻接矩阵的依赖，引入滑动窗口的方法进行有效并行计算，从而实现了效率和内存利用率的 2-3 个数量级的改进。此外，我们引入了基于 MLP 的连续残差块（MSRB）用于从文本图像中提取稳健特征，并引入了局部轮廓感知损失（LCA 损失）来增强模型对细节的感知能力。在 TextZoom 上的综合实验证明，我们的方法生成了高质量的超分辨率图像，超过了现有方法在识别准确性上的表现。对于单阶段和多阶段策略，我们分别实现了 0.7% 和 2.6% 的改进，将性能从 52.6% 和 53.7% 提高到 53.3% 和 56.3%。这里是代码的链接：this https URL

Sep, 2023

研究开发了一个基于深度学习的框架，利用双模式光声 / 超声成像系统共享的临床超声探头对声速进行了重建和异常修正，以供准确的光声成像重建，在仿真的 US 数据上经过训练的网络也表现出良好的泛化能力。

Jun, 2023

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