首页
学习
活动
专区
工具
TVP
发布

基于深度学习的图像增强

专栏作者
40
文章
48486
阅读量
19
订阅数
医学图像跨域合成
这篇文章主要介绍一些基于深度学习的医学图像合成的论文,医学图像跨域合成一般是指从一种模态转化为另一种模态,包括CT到PET,MR到CT,CT到MR及MRI中T1,T2,FLAIR等之间的转化。
Natalia_ljq
2020-09-07
1.1K0
用于实时MRI脑部肿瘤分割的3D膨胀多纤维网络
Authors: Chen Chen, Xiaopeng Liu, Meng Ding, Junfeng Zheng, Jiangyun Li Code:https://github.com/China-LiuXiaopeng/BraTS-DMFNet
Natalia_ljq
2020-09-07
1K0
不同模态MRI医学图像合成
医学影像对于不同疾病的诊断和治疗至关重要。通常不止一种成像模式参与临床决策,因为不同的模式常常提供互补的见解。 例如,计算机断层扫描(CT)具有提供组织的电子密度和物理密度的优势,这对于癌症患者的放射治疗剂量规划是必不可少的。然而,CT的缺点是软组织缺乏良好的对比度,且采集期间的辐射暴露也可能增加继发性癌症的风险。另一方面,磁共振成像(MRI)可以很好地对比软组织。与CT相比,MRI更安全,不涉及任何辐射;但它比CT昂贵得多,而且没有放射治疗计划或PET图像重建所需的密度信息。因此,近年来,研究人员极大地激发了从放射治疗计划中同一受试者对应的MR图像中估算CT图像的兴趣。医学图像合成可以在不需要实际扫描的情况下估计所需的成像模态。
Natalia_ljq
2020-07-21
9390
医学图像MRI增强相关论文
在MRI扫描中,与常规3T MRI相比,特高磁场7T MRI具有更高的分辨率和更好的组织造影,有助于更准确、早期的脑部疾病诊断。然而,目前7T MRI扫描仪在临床和研究中更昂贵且数量更少,这促使研究者提出从3T MRI中重建与7T MRI质量相近的图像的方法,以提高图像的分辨率和对比度。 这样可以更准确地完成组织分割等后处理任务,以更高的分辨率和对比度看到脑组织的细节。这篇文章主要介绍从低分辨率的3TMRI中重建高分辨率的类7TMR图像的相关论文。
Natalia_ljq
2020-07-14
9250
简单介绍两篇低光照视频增强的论文
这篇文章的主要贡献有:①建立了一个新的共轴光学系统来捕获时间同步和空间对齐的低光和光线充足的视频对;②提供了第一个包含动态车辆和行人的街景低光/正常光视频数据对;③采用3Dconv和2D pooling/deconv相结合的改进UNet结构作为框架用于低光照视频增强,在色彩保真度和时间一致性上表现出卓越的性能。 摄像系统结构如下:
Natalia_ljq
2020-06-03
1.1K0
介绍几篇图像融合相关的论文
这篇文章的目标是利用一张单目图像和一张稀疏的深度图进行深度补全,文中采用一种多尺度融合的方式来学习两种不同数据的关联性,并引入稀疏卷积操作来增强稀疏深度图中特征的鲁棒性。网络结构如下:
Natalia_ljq
2020-06-03
8190
介绍两篇比较新的低光照图像增强的论文
基于Retinex的低光照图像增强包含对比度增强和噪声抑制两个任务,并存在一定的耦合关系,若忽略两者之间的关系可能会导致过度/欠平滑的结果。为了解决这一问题,本文提出了一种改进的Retinex框架,其中,低光照图像的噪声和亮度以一种互相增强的方式感知,来实现基于retinex的图像增强。本文设计了两个“逐点式”(即1*1的滤波器)的卷积神经网络分别用于建模环境光和图像噪声的统计规律,并利用它们作为约束来处理共同学习的过程,两个模型渐进地处理直到获得稳定的结果。网络结果图如下:
Natalia_ljq
2020-06-03
1.3K0
简单介绍两篇去噪论文
这篇论文提出了一个自指导的网络用于图像快速去噪,该网络采用一种自指导的方式,用低分辨率下得到的图像特征和上下文信息来指导精细尺度下图像的去噪过程,其中每个分支的输入图像是用shuffle操作来得到的,与以往的下采样有所不同,作者认为shuffle操作可以减小图像的空间分辨率,同时保持输入图像信息。总体的网络结构如下:
Natalia_ljq
2020-06-03
1.2K0
空间特征转换网络及其在超分辨中的应用
本文提出了一个独立的神经网络模块,空间变换网络,可以直接加入到已有的CNN或FCN中对数据进行空间变换操作。它不需要关键点的标定,能够根据分类或者其他任务自适应地将数据进行对齐或空间变换(包括平移、缩放、旋转以及其他几何变换),从而减少由于物体变换对任务的影响,提升网络的学习能力。 整个空间变换器包含三个部分,本地网络(Localisation Network)、网格生成器(Grid Genator)和采样器(Sampler),如下:
Natalia_ljq
2020-06-03
1.1K0
Self-supervised Image Enhancement Network Training with Low Light Images Only
现有的图像增强数据集都是通过合成或者调整曝光时间得到的,但存在两个问题:①如何确保预先训练的网络可以用于不同设备、不同场景和不同照明条件下收集的图像,而不是构建新的训练数据集。②如何确定用于监督的正常光图像是最好的,因为相对于一张低光照图像,我们可以得到很多的正常光图像。 为了解决上述问题,本文基于信息熵理论和Retinex模型,提出了第一篇基于深度学习的完全自监督做图像增强的论文,本文提出的网络不用成对的数据集,只需要低光照图像(甚至只要一张低光照图像),训练时间为分钟级(minute-level),可以取得实时的性能。该网络将低光照图像分解为反射部分和照度部分,其中反射部分即为增强后的结果。 本文的理论来源:根据信息熵理论,直方图均匀分布的图像熵最大,信息量最大。基于这一点,本文提出了一个假设,即增强后图像最大通道的直方图分布应与直方图均衡化后的低光照图像最大通道的直方图分布一致。有了这一假设,损失函数的设计就不需要正常光图像,不仅保留了增强后图像的真实性,而且包含充足的信息。作者认为,该方法对低亮度图像的获取没有任何依赖,且训练过程完全self-supervised,因此本文提出的方法具有良好的泛化能力,即使预训练的网络对于新的环境结果不是很好,也可以通过重新训练或者微调的方式改善。 基于最大熵的Retinex模型,其理论来源如下,根据Retinex理论,图像可以分解成反射和照度部分,即
Natalia_ljq
2020-06-03
1K0
Unpaired Image Enhancement Featuring Reinforcement-Learning-Controlled Image Editing Software
论文题目: Unpaired Image Enhancement——Featuring Reinforcement-Learning-Controlled Image Editing Software
Natalia_ljq
2020-06-03
8020
Deep Learning Enables Reduced Gadolinium Dose for Contrast-Enhanced Brain MRI
这是一篇医学图像增强的论文,介绍了研究人员正在使用人工智能来减少MRI检查后留在体内的造影剂的剂量。
Natalia_ljq
2020-06-03
6960
Multi-Stage Prediction Networks for Data Harmonization
论文题目:Multi-Stage Prediction Networks for Data Harmonization (MICCAI19)
Natalia_ljq
2020-06-03
6520
Convex set and convex function
给定一个集合\(C \subseteq {R^n}\),满足下列条件则称为凸集 \(x,y \in C \Rightarrow tx + (1 - t)y \in C\),对于任意的\(0 \le t \le 1\) 。 从定义出发,我们也能知道非凸集的情况,下图左侧为凸集,右图为非凸集。
Natalia_ljq
2020-06-03
7960
基于图像分类的动态图像增强
论文链接:http://openaccess.thecvf.com/content_cvpr_2018/papers/Sharma_Classification-Driven_Dynamic_Image_CVPR_2018_paper.pdf
Natalia_ljq
2020-06-03
1.4K0
基于变分法的感知色彩校正
本文提出一种基于变分技术的图像感知色彩校正,提出了一个新的图像泛函,其最小值可以产生感知色彩增强后的图,这个变分公式使得局部对比度调整和数据的联系更灵活,展示了一个将梯度下降的数值实现运用到能量泛函和自动色彩增强(ACE)方程的模型。此外,欧拉-拉格朗日方程的数值近似将模型复杂度从\(O({N^2})\)减少到\(O(N\log (N))\)。
Natalia_ljq
2020-06-03
6750
基于GANs的非配对学习用于图像增强
论文链接:http://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_Deep_Photo_Enhancer_CVPR_2018_paper.pdf 实验demo: http://www.cmlab.csie.ntu.edu.tw/project/Deep-Photo-Enhancer/
Natalia_ljq
2020-06-03
1K0
凸优化ADMM(Alternating Direction Method of Multipliers)交替方向乘子算法
交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)是一种解决可分解凸优化问题的简单方法,尤其在解决大规模问题上卓有成效,利用ADMM算法可以将原问题的目标函数等价的分解成若干个可求解的子问题,然后并行求解每一个子问题,最后协调子问题的解得到原问题的全局解。ADMM 最早分别由 Glowinski & Marrocco 及 Gabay & Mercier 于 1975 年和 1976 年提出,并被 Boyd 等人于 2011 年重新综述并证明其适用于大规模分布式优化问题。由于 ADMM 的提出早于大规模分布式计算系统和大规模优化问题的出现,所以在 2011 年以前,这种方法并不广为人知。
Natalia_ljq
2020-06-03
4K0
基于深度学习的图像增强综述
图像增强的定义非常广泛,一般来说,图像增强是有目的地强调图像的整体或局部特性,例如改善图像的颜色、亮度和对比度等,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,提高图像的视觉效果。传统的图像增强已经被研究了很长时间,现有的方法可大致分为三类,空域方法是直接对像素值进行处理,如直方图均衡,伽马变换;频域方法是在某种变换域内操作,如小波变换;混合域方法是结合空域和频域的一些方法。传统的方法一般比较简单且速度比较快,但是没有考虑到图像中的上下文信息等,所以取得效果不是很好。 近年来,卷积神经网络在很多低层次的计算机视觉任务中取得了巨大突破,包括图像超分辨、去模糊、去雾、去噪、图像增强等。对比于传统方法,基于CNN的一些方法极大地改善了图像增强的质量。现有的方法大多是有监督的学习,对于一张原始图像和一张目标图像,学习它们之间的映射关系,来得到增强后的图像。但是这样的数据集比较少,很多都是人为调整的,因此需要自监督或弱监督的方法来解决这一问题。本文介绍了近年来比较经典的图像增强模型,并分析其优缺点。
Natalia_ljq
2020-06-03
5.7K0
介绍几篇最近看的低光照图像增强的论文
图像在较低的光照下拍摄往往存在亮度低、对比度差等问题,从而影响一些high-level任务,因此低光照图像增强的研究具有很强的现实意义。现有的方法主要分为两类,基于直方图均衡的方法和基于Retinex理论的方法。基于HE的方法主要是扩大图像的动态范围从而增强整幅图像的对比度,是一个全局的过程,没有考虑亮度的变换,可能会导致过度增强。基于Retinex的方法的关键是估计illumination map,是手工调整的,依赖于参数选择,此外这种方法不考虑去除噪声,甚至会放大噪声。现有的基于深度学习的方法没有显式地包含去噪过程甚至依赖于传统的去噪方法,取得的效果不是很好。
Natalia_ljq
2020-06-03
3.9K0
点击加载更多
社区活动
Python精品学习库
代码在线跑,知识轻松学
热点技术征文第五期
新风口Sora来袭,普通人该如何把握机会?
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·干货材料·成员作品·最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档