无需清洗基准图像的超分辨率技术:应用于电子显微镜
提出了 Noise2SR,一个用于高分辨率电子显微镜图像去噪的零样本自监督学习(ZS-SSL)框架,通过超分辨率自监督训练策略和随机子抽样模块,提高了去噪性能,可用于材料成像领域中图像信噪比的改进。
Jun, 2024
本研究提出了一个基于对抗深度神经网络的无监督超分辨率(SR)框架,旨在提高内窥镜图像的质量以进行诊断和介入指导。该框架可以利用高分辨率(HR)图像将其质量传递到起始低分辨率(LR)图像中,从而能够在没有配对 LR / HR 的情况下产生令人信服的超分辨率图像。
Jan, 2019
本研究提出了一种基于自监督对比学习的非配对 MRI 超分辨率方法,利用有限的训练数据提高超分辨率性能,结果显示即使在仅有有限数量的 HR 图像的情况下,峰值信噪比和结构相似性指数都得到了显著提高,强调了该方法在解决有限训练数据挑战上的潜力,以推进临床应用中的高分辨率 MRI。
Oct, 2023
该研究利用荧光显微镜进行了活细胞成像,探索了在信噪比、空间分辨率和生物样品完整性之间的权衡,并提出了一种新的联合去噪和超分辨率(JDSR)数据集和一种 JDSR 的评估方法.
Mar, 2020
使用深度学习构建的扫描超透镜显微镜 (SSUM) 系统通过光学超分辨率图像和扫描电子显微镜 (SEM) 领域图像之间的映射关系,将光学超分辨率图像转化为类似 SEM 的具有大景深的图像,其在图像转换中表现出色,重构结果具有高层次的细节,适用于芯片级缺陷检测、生物样品分析、法医学以及其他各个领域。
Oct, 2023
本文介绍了一种基于深度学习的数字岩石超分辨率成像技术,利用增强深度超分辨率生成对抗网络(EDSRGAN)对数字岩石进行超分辨率成像,实现了高分辨率图像的重建,特别是对于具有微孔特征的岩石样本,对进一步分析具有重要意义。
Jul, 2019
本研究提出了一种基于多任务学习的框架,通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留,其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。
Jul, 2017
本文介绍了可探索超分辨率的任务,并提出了一个框架,包括带有神经网络后端的图形用户界面,允许编辑 SR 输出以探索丰富的 HR 对低分辨率输入的解释。该框架的核心是一个新颖的模块,可以包装任何现有的 SR 网络,并在其下采样时保证其 SR 输出与 LR 输入精确匹配,同时可以用于处理与网络训练不同的模糊核。
Dec, 2019
本文提出了一种引用图像超分辨率 (RefSR) 的深度学习模型,借鉴图像风格化的思想,通过在神经空间进行多级匹配,实现了从参考图像中自适应地转移纹理,有效地提高了超分辨率的性能,并建立了参考图像超分辨率通用研究的基准数据集。
Mar, 2019
本研究调查了单图像超分辨率的经典方法和基于深度学习的方法,将这些方法分类为四类,并介绍了 SR 的问题,提供了图像质量指标,参考数据集和 SR 的挑战。其中包括 EDSR,CinCGAN,MSRN 等最先进的图像 SR 方法。
Feb, 2021