- 融合偏振和偏折信息的复杂镜面表面的三维成像
通过将 SfP 的偏振线索与 PMD 的几何信息相结合,我们引入了一种测量原理,可以准确解码具有高光面反射的光场中包含的信息,并解决 3D 测量中的各种歧义问题,并且我们的方法去除了 SfP 的不切实际正交成像假设,显著提高了测量结果,演示 - 实现射频可视识别
PanoRadar 是一种新颖的射频成像系统,通过使用旋转的单芯片毫米波雷达以及新型信号处理和机器学习算法,能够以接近激光雷达的分辨率进行三维成像,并在射频范围内实现许多视觉识别任务,包括表面法线估计、语义分割和物体检测。
- SE3D:三维成像中显著性方法评估的框架
提出了 SE3D:一个用于评估三维图像显著性方法的框架,通过修改数据集和评估指标来评估适用于三维卷积神经网络的显著性方法,结果表明当前的三维显著性方法质量不够,对于未来改进和在关键领域中更安全地应用三维卷积神经网络提供了潜在空间。
- T-Mamba: 提升频率的门控长距依赖网络用于牙齿 3D CBCT 分割
T-Mamba 是第一个将基于频率特征与视觉 mamba 相结合的方法,在处理牙齿三维成像中的分割问题上取得了最佳结果。
- 稀疏张量神经网络修剪用于 3D 超声定位显微镜的深度学习
用稀疏张量神经网络可以减少超声局部显微镜在三维成像中的存储需求,并在高浓度情况下明显优于传统的 ULM 方法。
- 相位引导光场三维高分辨率成像
通过采用光学投影仪投射一组单一高频相移正弦图案,我们提出了一种相导向光场算法,显著提高了现成光场相机的空间分辨率和深度分辨率。
- MM基于单光子探测器和毫米波雷达融合时序数据的单像素三维成像
提出了一种基于融合数据的三维成像方法,利用单像素单光子探测器和毫米波雷达从多个角度捕捉场景的时间直方图,通过使用人工神经网络从一维融合时序数据中重建三维信息,成功消除对称模糊并提高了重建图像的质量。
- RT-SRTS:单次 X 射线投影中的角度无关实时三维重建和肿瘤分割
本研究提出了一种新的成像方法 RT-SRTS,基于多任务学习将 3D 成像与肿瘤分割集成到一个网络中,能够实时、同时从任意角度的单一 X 射线投影中进行 3D 重建和肿瘤分割,并通过增强的校准器和不确定区域详细化模块来提高特征提取和分割准确 - 无计数单光子三维成像及竞赛逻辑
研究提出了一种在线距离估计方法,可降低宽带和功率消耗,并利用平滑的等深度直方图来处理单光子相机所得到的像素数据,同时保证与传统处理方法相似的距离重建精度。
- 多 IMU 在线自一致性用于手持式 3D 超声重建
该文介绍了使用多个惯性测量单元的在线自我一致性网络,以改善超声成像的三维重建性能。该网络在模态和序列级别上采用了自我监督策略,并在大规模数据集上得到了最先进的重建性能。
- 学习元表面的神经 360 度结构化光
本论文通过学习的方法,提出用于数字全息成像和 3D 成像的神经 360 度结构光,并展示了其在全息光学投影和三维成像方面的应用。
- CVPRRepMode: 学习重新参数化多样化专家用于亚细胞结构预测
该研究提出了一种基于深度学习的亚细胞结构预测模型(SSP),并使用 Re-parameterizing Mixture-of-Diverse-Experts(RepMode)来处理具有多尺度问题和部分标签数据的预测任务,以实现在 3D 成像 - 模型创世纪
研究者提出了一种称为 Models Genesis 的自学习模型,使用自我监督学习方法,利用医学图像中的解剖特征实现了从自然图像到医学图像的迁移学习,并在医学影像的分类和分割等任务中取得了比 ImageNet 更好的结果。
- Models Genesis: 用于三维医学图像分析的通用自学习模型
提出了一种称为 Models Genesis 的方法,在医学图像分析中实现了从自然图像到医学图像的迁移学习,并表明该方法优于从零学习和在 2D 中微调先前预训练的模型。
- 异步单光子三维成像
本文提出一种异步单光子三维成像系统,通过使用一系列跨越整个深度范围的时间偏移来平均掉固有噪声,从而提高了测量精度,尤其是在存在强环境光的场景下。
- 基于密集连接体积卷积神经网络的自动三维心血管 MR 分割
本研究提出了 DenseVoxNet,一种新的密集连接的三维卷积神经网络用于自动分割心脏和大血管结构。它具有最大化信息流、特征重用和辅助侧通道等三个优势,并在医疗应用中显著优于已有方法,达到更好的性能而参数更少。