Abstract ：

单幅图像盲超分辨率方法是在模糊核未知的情况下仅利用单幅低分辨率图像重建高分辨率图像，这是一个严重的欠定逆问题. 超分辨率正则化方法通过正则化约束项引入附加信息，为低分辨率图像恢复或重建合理的高频成分. 本文将跨尺度自相似性与低秩先验相结合，提出了一种基于跨尺度低秩约束的单幅图像盲超分辨率方法，采用联合建模的方法同时估计模糊核与高分辨率图像. 利用高分辨率图像、低分辨率图像及其降采样图像之间的跨尺度自相似性，对于低分辨率图像中的图像块在降采样图像中搜索相似块，将该图像块在高分辨率重建图像中对应的父块与其相似块在低分辨率图像中对应的父块合并，构造跨尺度相似图像块组矩阵. 由于低分辨率图像中的跨尺度相似图像块能够为重建图像块提供潜在的细节信息，因此对相似图像块组矩阵进行低秩约束，在迭代求解过程中迫使重建图像恢复高频成分，进而促使模糊核的估计更加准确. 此外，低秩约束能够表示数据的全局结构，对噪声具有鲁棒性. 在真实和模拟图像上的实验表明，本文的算法能够准确地估计模糊核，重建高分辨率图像的边缘和细节，优于现有的自监督盲超分辨率算法.

Keyword ：

低秩 盲超分辨率 模糊核估计 跨尺度 自相似性

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明涉及图像处理领域，具体公开了一种基于可变形nnUNet的图像分割方法及装置。获取3D骨盆图像，基于可变形nnUNet识别3D骨盆图像中的一个或多个目标区域，所述可变形nnUNet包括依次连接的基于可变形卷积的特征编码器、特征融合模块和特征解码器；基于3D骨盆图像计算重建参数，所述重建参数至少包括圆盘区域的半径，基于所述3D骨盆图像的最大连通分量的面积计算所述重建参数；基于重建参数获得所述一个或多个目标区域的分割后图像。提高了图像分割的准确度和图像重建的效果。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开一种自适应采样和重建的图像压缩感知方法及装置，能够使得采样时有效适应复杂多样的图像成分，实现不同成分不同对待，进一步提升图像采样性能，实现多尺度小波子带在重建时的结构一致性，增强跨尺度交互能力，提升图像重建性能。方法包括：(1)基于图像不同组成成分重要性不同进行小波域自适应采样：利用一个多尺度采样矩阵，对小波系数进行采样得到观测值，其中使用一个自适应权重分配策略来实现不同成分不同对待；(2)获得观测值以后，将转置矩阵作用在观测值上，获得初始重建图像；利用小波树结构信息进行图像重建：引入结构先验信息来构建模型。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了基于不确定性自步学习的事件图像重建方法，属于计算机视觉技术领域；通过对事件点个数进行随机采样，事件帧的重建误差、像素平均值方差和拟合残差进行度量来计算事件帧的不确定性。根据不确定性大小自适应地过滤事件帧，只保留高置信度的事件帧，进而提高事件到图像重建的准确性。在训练过程中，随机采样输入的事件点数，并构建包含不同数量事件点的多组事件帧。这些事件帧共享一个真实的图像，以进行统一的损失计算和模型优化。由于随机采样事件点，导致不同事件帧包含的信息量不同。通过在训练阶段增强模型对事件点变化的鲁棒性，最终得到的重建结果能够保持更好的稳定性和可靠性。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

基于联合时空域亮度感知的脉冲序列图像重建方法及装置，具有很好的客观结果，边界纹理更加清晰且几乎没有伪影存在，有效的压制噪声，具有最清晰的纹理而且几乎没有锯齿状的边界。方法包括：通过粗粒度划分模块得到脉冲序列的初步动静态区域划分；对初步划分动静态的脉冲序列进行重建；通过细粒度划分模块得到脉冲序列更精细的动静态区域划分；将划分后的静态区域脉冲序列输入重建，充分采集亮度信息；将采集到的亮度信息和静态脉冲序列一起进行亮度感知空间划分；进行自适应时间偏移窗口重建；动态区域脉冲序列执行基于来自脉冲间隔纹理的动态脉冲序列重建方法；重建动态区域脉冲序列进行块匹配；动静态区域的重建结果进行融合；输出重建结果。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

Cherenkov激发的荧光扫描成像(CELSI)是一种新型的光学成像技术,为监测体内恶性肿瘤的生物学特性提供了一种手段.为提高CELSI图像重建质量,本文提出了一种基于迭代优化展开的深度学习图像重建算法——ADMM-Net.在该算法中,交替方向乘子法(ADMM)与卷积神经网络(CNN)相结合组成一个深度网络,网络中的所有参数通过端到端训练进行学习.实验结果表明:该算法可以有效提升重建图像的质量.当网络层数为5时,该算法重建的单荧光目标图像的平均峰值信噪比和结构相似性值分别可达到33.75dB和0.86.该算法不仅可以分辨出边沿距离最小为2 mm的双荧光目标,而且在多荧光目标和不同荧光量子产额比率下表现出了良好的泛化能力.

Keyword ：

Cherenkov激发的荧光扫描成像 生物技术 医用光学 深度学习 图像重建技术 交替方向乘子法 优化展开

Cite：

Copy from the list or Export to your reference management。

Abstract ：

图像特征匹配通过比较一对像素在特征空间的距离确定其是否可匹配,如何学习鲁棒的像素特征是基于深度学习的图像特征匹配要解决的关键问题之一,另外,像素特征表示的学习也受到源图像质量的影响.针对学习更鲁棒的像素特征表示的问题,对图像特征匹配网络 LoFTR 进行改进.针对粗粒度特征重构分支,定义特异性约束使得同一幅图像内像素的特征距离尽可能远,使不同像素间具有强区分性;定义重复性约束使得不同图像的匹配点对的特征距离尽可能近,使不同图像间的匹配像素点具有强相似性,以增强匹配的准确性.在 Backbone 的解码阶段增加图像重建层,定义图像重建损失约束编码器学习更鲁棒的特征表示.在室内数据集ScanNet与室外数据集MegaDepth上的实验结果证明了本文方法的有效性,构建了不同质量图像数据并验证了方法能够更好地适应不同质量图像的特征匹配.

Keyword ：

图像重建损失 深度学习 重复性 特异性 图像特征匹配

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本文结合注意力机制与生成对抗网络,设计了一种基于注意力机制的图像超分辨率算法。具体的,本文基于ESRGAN的研究,在原来ESRGAN架构中添加注意力模块。注意力模块识别高频细节位置,通过增强高频细节特征获得了更好的图像重建结果;另外使用残差密集块作为生成器网络的基本结构单元,有效避免了算法过拟合问题。在经典数据集的实验结果证明,所提出的算法能够较好恢复图像的高频细节,提升图像的输出质量。

Keyword ：

生成对抗网络 图像超分辨率 残差密集块 注意力机制

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 比较几种电阻抗成像（Electrical Impedance Tomography,EIT）重建算法的性能，为EIT应用于肺部实时功能成像提供参考依据。方法 设计三组实验，分别用一步高斯牛顿法、反投影算法、GREIT算法和基于L1正则化的成像算法对仿真数据及人体实测数据进行图像重建。在L1正则化求解过程中采用交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）。将四种算法对仿真数据与实测数据的重建图像以及评价参数进行对比分析。结果 GREIT算法在无噪声重建目标的参数评价中表现最优，ADMM算法在加入噪声数据的重建中受到的影响...

Keyword ：

重建图像仿真 算法比较 图像重建算法 电阻抗成像

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对自监督单目深度估计的精度不高的问题,提出了一种基于双鉴别器生成对抗网络的自监督单目深度估计方法.该方法利用生成对抗网络在合成视觉上可信的图像方面的优势,进一步提高了自监督单目深度估计的精度.首先,为充分利用重建图像,在Wasserstein生成对抗网络的基础上进行改进,构建了2个鉴别器的结构.双鉴别器对生成器的要求和训练目标更加严苛,避免了由于只在左图像或右图像上引入鉴别器而造成的信息损失.其次,针对该网络的结构,提出了一种局部-全局一致的损失函数,保证了像素的真实性和局部-全局内容的一致性.在KITTI基准测试集中与单目深度估计的相关代表方法进行了比较,实验结果表明,该方法有效地提高了单...

Keyword ：

机器视觉 单目深度估计 生成对抗网络 图像重建 双鉴别器 自监督学习

Cite：

Copy from the list or Export to your reference management。