高分辨率显微镜图像重建的去噪扩散模型
本研究构建了Fluorescence Microscopy Denoising(FMD)数据集,并采用该数据集对10种代表性降噪算法进行了基准测试,结果表明深度学习方法具有最佳性能。该数据集是用于泊松高斯噪声去噪目的下的第一个真实显微图像数据集,可成为生物医学研究中高质量、实时去噪应用的重要工具。
Dec, 2018
本文提出了一种基于先前针对噪声扩散的生成模型的方法 DDPM,用于解决各种图像恢复问题,包括超分辨率,去模糊,填补和上色,相比于现有的非监督方法,DDRM在重构质量,感知质量和运行时均表现出更好的性能。
Jan, 2022
采用插入式噪声去噪方法,代替现有的图像正则化器,并结合二阶统计量来训练卷积图像去噪网络,从而更适应于样本几何结构,在真实荧光显微图像数据上验证出能够正确地重建纤维结构,具有高峰值信噪比。
Mar, 2023
本文提出了一种基于扩散模型的统一条件框架,结合了轻量级UNet和固有的差异模型来增强图像恢复的物理约束,采用基本和集成模块实现了对所有块的引导和其他辅助条件信息的整合,并提出了简单而有效的截距补丁分裂策略,将其用于低光量去噪、去模糊和JPEG图像恢复的挑战任务中,得到了显著的感知质量提升和恢复任务的推广。
May, 2023
通过学习逐渐将数据分布扩散为高斯噪声的过程,并以随机噪声进行迭代去噪处理,去噪扩散概率模型(DDPMs)在各种图像生成任务中取得了令人印象深刻的性能。本文提出了部分扩散模型(PartDiff),通过将图像扩散到中间潜在状态而不是纯随机噪声来生成新数据,并采用近似于低分辨率图像扩散的潜在状态来逼近中间潜在状态。实验证明,与纯扩散基础的超分辨率方法相比,部分扩散模型可以显著减少去噪步骤的数量而不损失生成的质量。
Jul, 2023
利用连续动力系统设计一种新型去噪网络,以提高扩散模型的参数效率、收敛速度和噪声鲁棒性。与基准模型相比,该模型具有约四分之一的参数量和百分之三十的浮点操作数(FLOPs),推理速度提高了70%,并且收敛到了更好的质量解。
Oct, 2023
本文介绍了一种通过扩展扩散模型进行图像修复的新方法,该方法利用生成过程中与测量身份一致的样本,并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。
Feb, 2024
本研究提出了denoiSplit,一种解决联合语义图像分割和无监督去噪的新分析方法。该方法在荧光显微镜中具有重要应用,语义图像分割在此应用中十分关键,但图像噪声通常会妨碍对图像内容的后续分析。我们的方法通过集成无监督去噪子任务来处理图像噪声,从而改善语义图像解mixing的效果,即使在存在显著和真实水平的成像噪声的情况下也能取得良好效果。denoiSplit的一个关键创新点是使用特定的噪声模型,并适当调整适用于训练的高维分层潜在空间的KL散度损失。我们在真实世界的显微镜图像上展示了denoiSplit在4个任务上的性能,并进行了定性和定量评估,并将结果与现有基准进行了比较,证明了使用denoiSplit的有效性:一个使用两个适当的噪声模型联合执行语义分割和去噪的单一变分分割编码器-解码器(VSE)网络。
Mar, 2024
通过在小波域内利用布朗桥过程启动扩散过程,引入了一种多尺度生成模型,加强了条件图像修复,提供了与最先进扩散模型相当的高图像生成质量和多样性,并在训练和采样过程中实现了显著的加速,从而减少了采样步骤和时间。
Jul, 2024
本研究解决了传统图像恢复方法在一致性与计算效率上的问题,提出了一种新颖的结合经验贝叶斯拉普拉斯算法与去噪扩散模型的图像恢复方法。通过在图像去卷积、超分辨率和图像修复等任务上的广泛实验,该方法在图像估计准确性和计算时间上均优于现有技术。
Sep, 2024