- 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
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。
- 袋装深度图像先验恢复存在斑点噪声的图像
使用最大似然估计方法和深度图像先验,研究了从受散斑(乘性)噪声影响的多组测量中恢复复值信号的理论和算法方面。
- 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 SMo - Sub2Full: 利用分散光谱提高 OCT 去斑点技术,无需干净数据
提出了一种名为 Sub2Full (S2F) 的创新自监督策略用于光学相干断层扫描 (OCT) 去噪,无需干净数据,该方法在视觉光 OCT 视网膜图像上验证并展示了优于常规的 Noise2Noise 和 Noise2Void 方案的性能。
- 基于区域降噪扩散概率模型的 SAR 去斑
SAR 影像消斑技术的新方法 R-DDPM,基于生成模型,通过区域去噪扩散概率模型实现了多尺度合成孔径雷达(SAR)影像的消斑,具有优于现有方法的卓越性能。
- 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。
- 利用神经网络进行快速高分辨率合成孔径雷达粗糙度估计
使用基于神经网络的估计方法,可以快速而可靠地预测合成孔径雷达图像中的粗糙度参数,并能应用于高分辨率真实合成孔径雷达图像中的像素级粗糙度估计。
- 面向域感知少样本学习的光学相干断层扫描噪声降低
本文提出了一种针对光学相干断层扫描(OCT)噪声降低的 few-shot 监督学习框架,该框架在训练速度和培训内容方面都有巨大的提高,此外,我们还为 OCT 不同成像系统的域偏移问题提出了可能的解决方法。
- 基于多级卷积神经网络的光学条纹图案过滤
本文介绍了一种基于深度学习和规则化技术的光学条纹图象去噪方法,可以有效去除条纹图象中的噪声,提高提取相位场的准确性和鲁棒性。实验结果表明,该方法在去除噪声的同时,能够保留条纹图象的主要特征,速度较快,具有一定的竞争力。