该论文提出了一种利用少量已注册的多模态图像对进行弱监督联合稀疏编码，从低分辨率单模态图像中生成高分辨率多模态图像的方法，并通过最大均值偏差项结合未配对数据来提高联合字典的学习质量，本文实验证明，该方法在超分辨率重建和同时进行超分辨率和跨模态综合方面优于现有技术。

May, 2017

该论文提出了一种高效的自监督任意尺度超分辨率方法来重建等体磁共振图像，并在医学脑部图像收集方面具有实际意义。

May, 2023

本文提出了一种基于隐式神经表示的双任意多对比度MRI超分辨率方法(Dual-ArbNet)，该方法可以无限制地使用任意缩放的目标和参考图像进行图像重建，并通过课程学习策略提高了该方法在两个MRI数据集上的性能。

Jul, 2023

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

使用去噪扩散概率模型对各向异性低分辨率磁共振图像进行超分辨率重建，提出了结合残差预测的AniRes2D新方法。实验结果表明AniRes2D在定量度量、视觉质量和跨域评估等方面优于其他基于DDPM的模型。此外，通过逐层超分辨率重建，使用训练好的AniRes2D减少了头骨伪影，并与最近的自监督3D超分辨率方法进行了对比。此外，我们还探索了噪声条件增强作为DDPM-based SR模型的一种替代增强技术，但发现它会降低性能。我们的研究结果为各向异性磁共振图像的超分辨率重建应用提供了有价值的见解。

Dec, 2023

自监督方法在各种成像逆问题中最近证明了几乎与监督方法一样有效，在科学和医学成像应用中为基于学习的方法铺平了道路，其中获得地面真实数据难度或费用较高，在磁共振成像和计算机断层扫描中就是这种情况。然而，现有方法在图像超分辨率和去模糊问题中无法取得竞争性能，在大多数成像系统中起着关键作用。在本文中，我们展示了对于仅包含低频信息的测量数据，对于学习的翻译和旋转不变性是不足够的。相反，我们提出了一种新的自监督方法，利用了许多图像分布近似尺度不变的事实，可以应用于任何高频信息在测量过程中丢失的逆问题。通过一系列实验在真实数据集上证明了所提方法优于其他自监督方法，并获得了与完全监督学习相当的性能。

Dec, 2023

我们提出了一种自我监督方法SR4ZCT，通过模拟匹配原始切片图像的训练图像，准确建模了分辨率和不同切片之间的像素间距的关系，以处理任意分辨率和重叠组合的医学CT图像，提高了诊断准确度。

May, 2024

基于医学成像的高位面和低位面分辨率之间的插值现象，本文提出了一个全面探索高位面分辨率信息并弥补低位面分辨率的Inter-Intra-slice Interpolation Network（I^3Net），通过在线的跨视图模块利用三个视图的信息，相比其他方法在超分辨率、视频帧插值和切片插值方面实现了明显的改进。

May, 2024

提出了一种自监督超分辨率MR图像的方法，通过预训练和微调模型，实现高质量的图像重建，可应用于临床医学领域。

Jun, 2024

本研究解决了磁共振成像中高分辨率获取的难题，提出了一种基于双因子表示的新方法，以高效地从低分辨率图像学习连续体积表示。同时，采用坐标编码捕捉稀疏体素之间的结构关系，有助于在未观测区域的平滑补全。实验表明，该方法在多项数据集上达到最先进的性能，视觉效果和稳健性优于现有技术。

Sep, 2024