Residual Channel Attention Generative Adversarial Network for Image Super-Resolution and Noise Reduction
InnoPeak Technology（英诺峰科技）
图像超分辨率是计算机视觉的重要技术之一，其目标是从低分辨率图像重建高分辨率图像。最近，基于深度学习的方法已经被证明用于图像超分辨率。然而，随着深度网络的深入，它们变得更加难以训练，并且更难以恢复更精细的纹理细节，特别是在现实世界的设置下。在本文中，我们提出了一种剩余信道注意力生成对抗网络（RCA-GAN）来解决这些问题。具体而言，提出了一种新的残余通道注意块形成RCA-GAN，它由一组具有快捷连接的残余块和通道注意机制来建模不同通道之间的特征表示的相互依赖性和相互作用。此外，生成对抗网络（GAN），以进一步产生现实和高度详细的结果。受益于这些改进，所提出的RCA-GAN比基线模型产生更好的视觉质量，具有更详细和更自然的纹理;并且与现实世界图像超分辨率的最先进方法相比，实现了相当或更好的性能。
2020-04-28 cs.CV eess.IV
Residual-Guided In-Loop Filter Using Convolution Neural Network
混合视频编码框架中基于块的编码结构不可避免地引入了诸如块效应、振铃效应等压缩伪影。为了补偿这些伪影，在视频编解码器的环路中提出了广泛的滤波技术，这些技术能够提高重构视频的主观和客观质量。最近，基于神经网络的过滤器被提出，具有从大量数据中进行深度学习的能力。虽然在高效视频编码（HEVC）中编码效率已经从传统方法提高，但是由压缩流水线生成的丰富特征和信息尚未在神经网络的设计中被充分利用。因此，在本文中，我们提出了基于残差重建的卷积神经网络（RRNet），以进一步提高编码效率，以其最大程度上，其中的压缩特征诱导比特流的预测残差的形式被送入网络作为一个额外的输入到重建帧。实质上，残差信号可以提供关于块分区的有价值的信息，并且可以帮助图像中的边缘和纹理区域的重构。因此，可以训练更多的自适应参数来处理不同的纹理特征。实验结果表明，与HEVC和最先进的基于CNN的方案相比，我们提出的RRNet方法具有显着的BD速率节省，这表明残差信号在增强视频帧重构方面起着重要作用。
2021-05-03 eess.IV
Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN
Pakistan Institute of Engineering and Applied Sciences (PIEAS)（巴基斯坦工程与应用科学学院）；Ibadat International University（伊巴达特国际大学）；University of Engineering and Applied Science (UEAS)（工程与应用科学大学）
脑肿瘤分类对于临床分析和有效的治疗方案至关重要。深度学习模型可以帮助放射科医生准确有效地分析肿瘤，而无需人工干预。然而，脑肿瘤分析是具有挑战性的，因为它的复杂结构，纹理，大小，位置和外观。因此，开发了一种新的基于深度残差和区域的Res-BRNet卷积神经网络（CNN），用于有效的脑肿瘤（磁共振成像）MRI分类。开发的Res-BRNet在修改后的空间和剩余区块内以系统的顺序采用基于区域和边界的操作。此外，空间块提取同质性和边界定义的功能在抽象的水平。此外，在目标水平采用的残差块显著地学习不同类别的脑肿瘤的局部和全局纹理变化。开发的Res-BRNet的效率在标准数据集上进行评估;从Kaggle和Figshare收集，包含各种肿瘤类别，包括脑膜瘤、神经胶质瘤、垂体和健康图像。实验证明，所开发的Res-BRNet优于标准的CNN模型，并在具有挑战性的数据集上获得了优异的性能（准确率：98.22%，灵敏度：0.9811，F-score：0.9841，精度：0.9822）。此外，所提出的Res-BRNet的性能表明了基于医学图像的疾病分析的强大潜力。
2022-12-10 cs.CV cs.LG eess.IV
Enhanced generative adversarial network for 3D brain MRI super-resolution
University of Pennsylvania（宾夕法尼亚大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
磁共振成像（MRI）的单图像超分辨率（SISR）重建已经产生了显着的兴趣，因为它的潜力，不仅加快成像，但改善定量处理和分析可用的图像数据。生成对抗网络（GAN）已被证明在恢复图像纹理细节方面表现良好，因此已经提出了许多变体用于SISR。在这项工作中，我们通过引入一种新的残差中残差密集块（RRDG）生成器来开发一种增强功能，以解决基于GAN的3D SISR，该生成器既具有内存效率，又在PSNR（峰值信噪比），SSIM（结构相似性）和NRMSE（归一化根均方误差）度量方面实现了最先进的性能。我们还引入了一个补丁GAN改进收敛行为，以更好地模拟大脑图像纹理。我们提出了一种新的解剖逼真度评价的结果使用预先训练的大脑分割网络。最后，这些发展相结合，通过一个简单而有效的方法来平衡之间的图像和纹理质量在最终输出。
2019-07-15 cs.CV eess.IV
A Novel Channel Boosted Residual CNN-Transformer with Regional-Boundary Learning for Breast Cancer Detection
University of Engineering and Applied Sciences (UEAS)（工程与应用科学大学）
针对现有乳腺超声图像肿瘤检测方法受模型复杂度和图像特征差异限制的问题，本研究提出混合框架CB-Res-RBCMT，结合残差CNN与ViT并加入通道增强策略，在BUSI数据集上实现了优于现有方法的检测性能。
2025-03-19 cs.AI cs.CV cs.LG
Stochastic Super-Resolution For Gaussian Textures
超分辨率（SR）是一个不适定的反问题，它包括提出一个给定的低分辨率一致的高分辨率图像。虽然大多数SR算法是确定性的，随机SR处理设计一个随机采样器生成任何现实的SR解决方案。本文的目的是表明，随机SR是一个适定性和可解的问题时，限制高斯平稳纹理。利用高斯条件采样和平稳性假设，我们提出了一种基于快速傅里叶变换的有效算法。我们还证明了实际相关的参考图像SR的方法。虽然仅限于固定的微观纹理，我们的方法相比有利的速度和视觉质量的一些国家的最先进的方法设计的一个更大的一类图像。
2023-03-03 eess.IV
Photon-counting CT using a Conditional Diffusion Model for Super-resolution and Texture-preservation
本文提出用条件去噪扩散概率模型实现光子计数CT超分辨率，并通过深度去噪器解耦噪声与信号以保持噪声纹理，实验证明其在真实PCCT图像上可提升锐度并更忠实保留纹理。
2024-02-25 eess.IV
On the Pitfalls of Using the Residual Error as Anomaly Score
Technical University of Munich（慕尼黑工业大学）；Klinikum Rechts der Isar（伊萨尔河畔临床教学中心）；Imperial College London（帝国理工学院）
本文揭示了医学图像异常定位中依赖残差图像作为异常分数存在的根本缺陷，并通过理论定义和实验系统分析了异常强度、纹理与模型重建误差之间的相互影响。
2022-02-08 cs.CV eess.IV
Where is the Fake? Patch-Wise Supervised GANs for Texture Inpainting
CMLA, ENS Paris-Saclay（巴黎萨克雷高等师范学院CMLA）；Schlumberger AI Lab（斯伦贝谢人工智能实验室）；Etudes et Productions Schlumberger（斯伦贝谢研究与生产公司）
我们解决了纹理修复的问题，其中输入图像是具有缺失值的纹理以及指示应该生成的区域的遮罩。图像修补的目标是实现图像的全局和局部一致性。但这些作品在处理纹理时仍然受到限制。实际上，需要使用待完成图像中的局部信息，以便实现局部连续性和视觉上逼真的纹理修复。为此，我们提出了一个新的分段器，它执行分片真/假分类，并由输入掩码进行监督。在训练过程中，它的目的是定位假信号，从而将一致的信号反向传播到生成器。我们在公开的DTD数据集上测试了我们的方法，结果表明，它实现了最先进的性能，并且比现有方法更好地处理了局部一致性。
2020-03-09 cs.CV eess.IV
Reference-based Texture transfer for Single Image Super-resolution of Magnetic Resonance images
Indian Institute of Technology Madras (IITM)（印度理工学院马德拉斯分校）；Healthcare Technology Innovation Centre (HTIC), IITM（印度理工学院马德拉斯分校医疗技术创新中心）
磁共振成像（MRI）是一种有价值的临床诊断方法，用于脊柱病理学，对感染、肿瘤、退行性变、骨折和疝有很好的表征。然而，在外科手术中，图像引导的脊柱手术继续依赖于CT和荧光透视，因为MRI切片分辨率通常不足。在最先进的单图像超分辨率的基础上，我们提出了一种基于参考的、不成对的多对比度纹理转移策略，用于基于深度学习的平面内和跨平面MRI超分辨率。我们使用的散射变换的图像补丁的纹理特征相关的不成对的参考图像补丁，并额外的多对比度纹理的损失项。我们将我们的方案应用于不同的超分辨率架构中，在大多数情况下观察到PSNR和SSIM在4倍超分辨率下的改善。
2021-02-10 cs.CV cs.LG eess.IV
Towards Arbitrary-scale Histopathology Image Super-resolution: An Efficient Dual-branch Framework based on Implicit Self-texture Enhancement
Fudan University（复旦大学）
针对病理图像固定倍数超分辨率性能受限的问题，提出一种基于隐式自纹理增强的双分支框架，首次实现病理图像任意尺度超分辨率，并在两个公开数据集上优于现有方法。
2023-04-09 cs.CV eess.IV
Texture and Noise Dual Adaptation for Infrared Image Super-Resolution
针对可见光信息辅助红外超分易引入噪声和模糊的问题，本文提出 DASRGAN，通过 TOA 与 NOA 双重域自适应分别增强纹理并抑制噪声迁移，在多项基准上达到最先进水平。
2025-02-20 cs.CV eess.IV
Super Resolution Using Segmentation-Prior Self-Attention Generative Adversarial Network
Zhejiang University（浙江大学）；Central Media Technology Institute, Huawei Technologies Co., Ltd（华为技术有限公司中央媒体技术研究院）
卷积神经网络（CNN）由于其优越的性能而被广泛应用于解决超分辨率（SR）任务。但由于CNN缺乏先验知识和小的感受野，超分辨率问题仍然具有挑战性。我们提出了分段-Piror自注意生成对抗网络（SPSAGAN），将分段先验和特征注意力结合到一个统一的框架中。这种组合是由精心设计的加权加法来平衡特征和分割注意力的影响，因此网络可以强调同一分割类别中的纹理，同时专注于长距离特征关系。我们还提出了一个轻量级的跳过连接架构称为残差中残差稀疏块（RRSB），以进一步提高超分辨率性能和节省计算。大量的实验表明，SPSAGAN可以生成更真实和视觉上令人愉快的纹理相比，最先进的SFTGAN和ESRGAN在许多SR数据集。
2020-03-07 cs.CV cs.LG eess.IV
Texture Hallucination for Large-Factor Painting Super-Resolution
Northeastern University（东北大学）；Adobe Research（Adobe 研究院）
我们的目标是超分辨率数字绘画，从高分辨率参考绘画材料合成逼真的细节，以获得非常大的缩放因子（例如，8X、16X）。然而，以前的单图像超分辨率（SISR）方法要么会丢失纹理细节，要么会引入令人不快的伪影。另一方面，基于参考的SR（Ref-SR）方法可以在一定程度上转移纹理，但仍然是不切实际的处理非常大的因素，并保持与原始输入的保真度。为了解决这些问题，我们提出了一个高效的高分辨率的超分辨率网络非常大的缩放因子与有效的网络结构和功能转移。为了传递更详细的纹理，我们设计了一个小波纹理损失，这有助于增强更多的高频分量。同时，为了减小图像重建损失带来的平滑效果，进一步放宽了重建约束，引入了降质损失，保证了降尺度超分辨率结果与低分辨率输入的一致性。我们还收集了高分辨率（例如，4K分辨率）绘画数据集PaintHD，同时考虑物理尺寸和图像分辨率。我们证明了我们的方法的有效性与广泛的实验PaintHD通过比较与SISR和Ref-SR国家的最先进的方法。
2020-07-30 cs.CV eess.IV
Reference-based OCT Angiogram Super-resolution with Learnable Texture Generation
The Hong Kong University of Science and Technology（香港科技大学）；The Chinese University of Hong Kong（香港中文大学）
针对OCTA成像中视野增大导致分辨率下降的问题，提出基于参考的超分辨率框架LTGNet，用可学习纹理生成器替代参考图像搜索，扩大纹理空间，无需参考图像，实验证明性能与鲁棒性优于现有方法。
2023-05-10 cs.CV cs.LG eess.IV
