该研究利用基于深度学习的方法提高扩散张量心脏磁共振（DT-CMR）图像质量，实现体积超分辨率，并证明其在心脏超分辨率图像重建中的推广性。

Oct, 2023

本研究的主要目标是通过整合超分辨率 (SR) 架构来增强细胞学图像中的语义分割质量。我们还开发了一个旨在改进在不准确对焦情况下成像质量的新数据集。实验结果表明，将 SR 技术整合到分割管线中可以在平均精度（mAP）分割指标上实现高达 25% 的显着改善。这些发现表明，利用 SR 体系结构在细胞学图像分析领域具有重大前景。

Jun, 2023

本文提出了一种新的神经网络体系结构（3D Densely Connected Super-Resolution Networks），用于从单张低分辨率 MRI 图像中恢复高分辨率的脑部结构特征，实验表明该网络在还原 4 倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。

Jan, 2018

提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。

Apr, 2024

本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法，通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集，对各种数据集成功地完成了核分割任务。

Jan, 2018

这项研究介绍了一种基于深度学习的三维超分辨率 (fMRI) 方法，通过采用一个分辨率无关的图像增强框架，使我们的方法能适应不同的体素尺寸而无需重新训练。我们应用了这一创新技术来定位早期视觉区域中细粒度的运动选择性区域，并且证明这种方法潜在地能增强 fMRI 的空间分辨率，并大幅降低采集时间。

Nov, 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

通过引入 3D Residual-in-Residual Dense Block GAN（3D RRDB-GAN）进行放射学图像的 3D 超分辨率研究，结合 2.5D 感知损失函数提升体积图像的质量和真实感，通过定量（如 LPIPS 和 FID）和定性评估展示了模型在详细图像分析方面的有效性，该模型在丰富医学图像的深度，清晰度和体积细节方面对医学成像做出了重要贡献，从全面的 3D 视角提高了复杂医学图像的解释和分析能力。

Feb, 2024

该研究通过超高分辨率级联扩散模型（URCDM）合成高分辨率图像，实现在不同放大级别上既保持真实性又保持长距离空间一致性，并通过对比分析和人工专家评估表明，该模型在病理组织学图像诊断中优于现有方法。

Dec, 2023

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