利用带有跳跃连接的去噪自编码器进行超声图像中的斑点噪声降低

Mar, 2024

利用带有跳跃连接的去噪自编码器进行超声图像中的斑点噪声降低

Speckle Noise Reduction in Ultrasound Images using Denoising Auto-encoder with Skip Connection

Suraj Bhute, Subhamoy Mandal, Debashree Guha

TL;DR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。

Abstract

ultrasound is a widely used medical tool for non-invasive diagnosis, but its images often contain speckle noise which can lower their resolution and contrast-to-noise ratio. This can make it more difficult to ext

ultrasound speckle noise image enhancement methods noise reduction methods deep learning

发现论文，激发创造

超声照明的全球和本地知识网络配合，进行细粒度完善

该研究提出了一种超声图像去噪的全局与局部知识网络，并加入了细粒度的改进，以提高图像质量和性能。实验证明，该模型在定量指标和视觉性能上具有竞争力。

Oct, 2023

使用扩散概率模型进行深超声波降噪

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

使用卷积去噪自编码器进行医学图像去噪

本文介绍一种使用卷积层构建的去噪自编码器进行医学图像去噪的方法，通过少量样本的训练，可以高效地去除医学图像噪声。同时，本文提出了将异构图像进行合并来提高训练样本的可行性，并成功地实现了最简单的网络重构高噪声医学图像的效果。

Aug, 2016

使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。

Aug, 2020

具信息不确定性的超声图像的扩散重建

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

基于 CNN 自编码图像去噪的影响评估在图像分类任务上

本研究提出了一种在铸造产品嘈杂图像中检测缺陷的创新方法，使用包括 VGG16、InceptionV3 等深度学习模型在空间和频率域中识别噪声类型和缺陷状态，并通过集成噪声检测和去噪技术提高缺陷检测准确性和鲁棒性。

Apr, 2024

基于自编码器的超声默读口形与声学映射

通过对超声图像训练自编码神经网络，将神经网络的输入特征从像素级别转移为自编码器的瓶颈层激活，以更高的效率和准确性估计语音合成所需的频谱参数。

Apr, 2019

多模型推理的导向专家混合去噪 OCT 图像

本研究引入了一种新型降噪算法，Block-Matching Steered-Mixture of Experts with Multi-Model Inference and Autoencoder (BM-SMoE-AE)，通过将 SMoE 算法的分块匹配实现与增强型自编码器架构相结合，实现了高效的斑点噪声降噪并保留了关键图像细节。与现有的降噪技术相比，BM-SMoE-AE 算法在维持图像完整性和提高医学诊断的 OCT 图像可用性方面表现出卓越的性能。

Feb, 2024

无监督结构噪声去除的变分有损自编码器

本研究介绍了一种基于深度学习的无监督降噪方法，能够移除图像中的信号相关噪声和轴向相关噪声，无需干净图像或噪声模型作为输入，实验结果表明该方法优于现有的自监督和无监督图像降噪方法。

Oct, 2023

使用具有对称跳跃连接的卷积自编码器进行图像恢复

本文提出一种使用对称卷积 - 反卷积层的深度全卷积自编码器网络用于图像修复，通过跳级连接缓解深度网络训练难的问题，达到了更快收敛和更好的修复效果。

Jun, 2016