Feb, 2024

提高小肠绒毛清晰度的图像增强方法

PDF
TL;DR本文首次提出了一种图像增强方法，旨在增强无线胶囊内镜图像中小肠绒毛的清晰度。该方法首先使用引导滤波对小肠绒毛图像进行低频和高频部分的分离。随后，根据低频部分生成自适应光增益因子，并从不同区域的小肠绒毛图像的 Laplacian 算子的卷积结果中得到自适应梯度增益因子。然后，将得到的光增益因子和梯度增益因子结合，增强高频部分。最后，将增强的高频部分与原始图像融合，实现对 WCE 小肠绒毛图像边缘的自适应锐化。实验证明，与已建立的 WCE 图像增强方法相比，我们的方法不仅突出了 WCE 小肠绒毛图像的边缘细节，而且巧妙地抑制了噪声放大，从而防止了边缘过冲的发生。
image enhancementsmall intestinal villiwireless capsule endoscopyadaptive sharpeningedge details
发现论文，激发创造
  • LLCaps: 带有曲波小波注意力和反向扩散的低照度胶囊内窥镜的学习

    本文提出了一种基于多尺度卷积神经网络和反向扩散过程的无线胶囊内窥镜低光图像增强框架，并将其与十种现有 LLIE 方法进行比较，表明该模型具有明显的性能优势和临床潜力。

    Jul, 2023

  • 一种胶囊内镜图像高光去除方法

    本文提出了一种适用于胶囊内窥镜图像的去除高光区域的方法，通过计算高光区边缘的置信度和特征项，确定优先级，使用最佳匹配块在已知区域内复制像素，从而实现去除高光区域并保持颜色和纹理连续的目标。实验结果表明，该方法有效地去除了胶囊内窥镜图像中的高光，并且具有与周围区域相似的颜色和纹理。

    Feb, 2024

  • 基于语义地图引导的扩散模型，合成无线胶囊内窥镜图像

    通过利用扩散模型（DM）生成多样化的胶囊内窥镜（WCE）图像，我们的研究采用视觉检查和视觉图灵测试评估方法，证明了该方法在生成逼真且多样化的 WCE 图像方面的有效性。

    Nov, 2023

  • 基于 CLIP 傅里叶引导小波扩散的低光图像增强

    通过 CLIP-Fourier Guided Wavelet Diffusion 方法的混合频率域空间，我们设计了一个通过小波变换实现有效图像增强的引导网络，能够恢复图像的细粒度结构并避免多样性混淆。经过大量定量和定性实验证明，我们的方法胜过现有的最先进方法，并更好地再现了类似于正常图像的图像。

    Jan, 2024

  • EndoUIC: 可提示的扩散变压器在胶囊内窥镜中的统一照明校正

    Wireless Capsule Endoscopy (WCE) 采用一种无创痛苦的方法被高度重视，尽管硬件限制和复杂的内部动态导致了不均匀的照明，从而导致过曝或欠曝图像。我们引入了 EndoUIC，一种使用端到端可提示的扩散变换器（DFT）模型的 WCE 统一照明校正解决方案，以解决这个问题。我们的工作中，照明提示模块将导航模型以适应不同的曝光水平并执行有针对性的图像增强，在其中自适应提示集成（API）和全局提示扫描器（GPS）模块将进一步增强提示参数和特征之间的并行表示学习。此外，U 形恢复 DFT 模型将捕捉统一照明恢复的长程依赖和上下文信息。此外，我们提供了一个新颖的胶囊内镜暴露校正（CEC）数据集，包括由专业摄影师注释的地面真实图像和损坏图像对。对四个数据集上的各种先进方法进行的大量实验证明了我们提出的方法和组件在 WCE 照明恢复中的有效性，额外的下游实验进一步展示了其在临床诊断和手术辅助中的实用性。

    Jun, 2024

  • EndoL2H：胶囊内窥镜深度超分辨率

    本研究提出并定量验证了从低分辨率到高分辨率内窥镜图像的映射的新框架，并结合条件对抗网络和空间注意力块将分辨率提高了 8 倍至 12 倍，该方法被 30 名胃肠病专家定性评估并确认具有临床重要性，其具有潜力提高诊断精度并更好地利用计算方法进行息肉检测和表征。

    Feb, 2020

  • 借鉴 Zoom：解耦有监督对比学习用于 WCE 图像分类

    通过解决微小病变和背景干扰等挑战，以及利用放大增强器生成放大后的 WCE 图像从而学习鲁棒表示，我们提出了一种用于 WCE 图像分类的去耦合监督对比学习方法。训练一个线性分类器来使用这些表示，在仅 10 个 epoch 内取得了惊人的 92.01％的整体准确率，超过了前一最先进方法 0.72％，基于两个公开可访问的 WCE 数据集。

    Jan, 2024

  • 利用细胞振动模型进行低光图像增强

    该论文提出了一种基于光子激发引起的膜振动分析的能量模型，并结合伽马校正模型提出了一种新的全局亮度增强模型，最终还加入了一种局部融合策略，该算法在避免色彩失真、恢复暗区纹理、还原自然色彩和减少时间成本方面优于九种先进方法。

    Jun, 2020

  • 极低能见度条件下非均匀照明图像增强

    通过自适应滤波、可视化优化策略和最大直方图均衡化，本文介绍了一种在极低能见度下增强图像清晰度的新方法，并且在极低能见度条件下优于现有算法。

    Apr, 2024

  • MEDVQA-GI 2023 中 UIST-Saviors: 基于图像增强的胃肠道可视化问题回答的多模态学习改进

    结合计算机视觉和自然语言处理，提出了一种多模态学习方法来改善胃肠道图像上的视觉问答性能，通过 BERT 编码器和基于卷积神经网络（CNN）和 Transformer 架构的不同预训练视觉模型从问题和内窥镜图像中提取特征，结果显示 Transformer-based 视觉模型在 CNN 上具有优势，并展示了图像增强过程的有效性。

    Jul, 2023