EDCNN: Edge enhancement-based Densely Connected Network with Compound Loss for Low-Dose CT Denoising
Beijing Jiaotong University（北京交通大学）
在过去的几十年里，为了降低计算机断层扫描（CT）中X射线的风险，低剂量CT图像去噪引起了研究者的广泛关注，成为医学图像领域的重要研究课题。近年来，随着深度学习技术的快速发展，出现了许多算法将卷积神经网络应用于这一任务，取得了可喜的成果。然而，仍然存在一些问题，如去噪效率低，过平滑的结果，在本文中，我们提出了基于边缘增强的密集连接卷积神经网络（EDCNN）。在我们的网络中，我们设计了一个边缘增强模块，使用新的可训练的Sobel卷积。在此基础上，构建了一个密集连接模型，对提取的边缘信息进行融合，实现了端到端的图像去噪。此外，在训练模型时，我们引入了一种综合MSE损失和多尺度感知损失的复合损失，以解决过平滑问题，并在去噪后获得了显着改善的图像质量。与现有的低剂量CT图像去噪算法相比，该模型在细节保持和噪声抑制方面具有更好的性能。
2020-10-30 cs.CV eess.IV
Learnt Deep Hyperparameter selection in Adversarial Training for compressed video enhancement with perceptual critic
Trinity College Dublin（都柏林圣三一学院）
基于图像的深度特征质量评价（DFQM）已被证明与传统指标相比更好地与主观感知分数相关。这些DFQM的基本重点是利用大规模分类网络的内部表示作为度量特征空间。在此之前，没有注意到识别哪些层在感知上最相关的问题。在本文中，我们提出了一种新的方法，从这样的网络中选择感知相关的层，基于神经科学的解释层的行为。所选择的层被视为W-GAN中评论家网络的超参数。评论家在初步阶段使用这些层的输出来提取感知信息。一个视频增强网络与这个评论家对抗训练。我们的研究结果表明，将这些选定的功能引入到评论家中，与其他没有利用优化特征选择思想的评论家网络相比，性能提高了10%（FID）和15%（KID）。
2023-02-28 cs.AI eess.IV
DCNGAN: A Deformable Convolutional-Based GAN with QP Adaptation for Perceptual Quality Enhancement of Compressed Video
Xidian University（西安电子科技大学）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）；Northwestern Polytechnical University（西北工业大学）
在本文中，我们提出了一种基于可变形卷积的生成对抗网络（DCNGAN），用于压缩视频的感知质量增强。DCNGAN也是自适应的量化参数（QP）。与光流相比，可变形卷积更有效和高效地对齐帧。可变形卷积可以对多个帧进行操作，从而利用更多的时间信息，这有利于增强压缩视频的感知质量。代替以成对方式对齐帧，可变形卷积可以同时处理多个帧，这导致较低的计算复杂度。实验结果表明，提出的DCNGAN优于其他国家的最先进的压缩视频质量增强算法。
2022-01-28 cs.CV cs.MM eess.IV
MD-IQA: Learning Multi-scale Distributed Image Quality Assessment with Semi Supervised Learning for Low Dose CT
Subtle Medical（深睿医疗）；Fudan University（复旦大学）；East China Normal University（华东师范大学）；Shanghai Sixth People's Hospital（上海市第六人民医院）
提出MD-IQA方法，结合多尺度分布回归、双分支对齐网络和半监督学习，提升低剂量CT图像质量评估的泛化性和准确性。
2023-11-14 cs.CV cs.LG eess.IV
VDPVE: VQA Dataset for Perceptual Video Enhancement
近年来，人们提出了许多视频增强方法，从颜色、亮度、对比度、稳定性等不同方面来提高视频质量。因此，如何以符合人类视觉感知的方式评估增强后的视频质量是一个重要的研究课题。然而，大多数视频质量评估方法主要通过从整体角度估计视频的失真程度来计算视频质量。很少有研究者专门提出一种视频质量评估方法来进行视频增强，也没有公开的全面的视频质量评估数据集。因此，本文构建了一个用于感知视频增强（VDPVE）的视频质量评估数据集。VDPVE有1211个不同增强的视频，可以分为三个子数据集：第一个子数据集有600个颜色，亮度和对比度增强的视频;第二子数据集有310个去模糊的视频;第三个子数据集有301个去抖动的视频。我们邀请了21名受试者（20名有效受试者）对VDPVE中的所有增强视频进行评分。在归一化和平均的主观意见得分，平均意见得分的每一个视频可以得到。此外，我们分裂成一个训练集，一个验证集，和一个测试集的VDPVE，并验证了几个国家的最先进的视频质量评估方法的性能测试集的VDPVE。
2023-03-16 eess.IV
High-Frequency aware Perceptual Image Enhancement
Seoul National University（首尔国立大学）
在本文中，我们介绍了一种适用于多尺度分析的新型深度神经网络，并提出了有效的模型无关方法，帮助网络从高频域提取信息，以重建更清晰的图像。该模型可应用于多尺度图像增强问题，包括去噪、去模糊和单幅图像超分辨率。在SIDD，Flickr2K，DIV2K和REDS数据集上的实验表明，我们的方法在每个任务上都达到了最先进的性能。此外，我们证明了我们的模型可以克服现有面向PSNR的方法中常见的过度平滑问题，并通过应用对抗训练生成更自然的高分辨率图像。
2021-05-25 cs.CV eess.IV
End-to-end Triple-domain PET Enhancement: A Hybrid Denoising-and-reconstruction Framework for Reconstructing Standard-dose PET Images from Low-dose PET Sinograms
ShanghaiTech University（上海科技大学）；Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司）；Shanghai Clinical Research and Trial Center（上海临床研究与试验中心）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
提出端到端三域 TriPLET 框架，融合投影域去噪、小波域重建和图像域对抗评估，从低剂量 PET 正弦图恢复标准剂量图像，并取得最优相似度与信噪比。
2024-12-04 cs.CV eess.IV
Multi-level Wavelet-based Generative Adversarial Network for Perceptual Quality Enhancement of Compressed Video
Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）；Department of Computer Science, University of Oxford（牛津大学计算机科学系）
在过去的几年里，通过深度学习来提高视频质量已经取得了快速的发展。现有的方法主要集中在提高压缩视频的客观质量，而忽略了其感知质量。在本文中，我们专注于提高压缩视频的感知质量。我们的主要观察是，提高感知质量主要依赖于恢复小波域中的高频子带。因此，我们提出了一种新的生成式对抗网络（GAN）的基础上，多级小波包变换（WPT），以提高压缩视频的感知质量，这被称为多级小波基GAN（MW-GAN）。在MW-GAN中，我们首先应用具有金字塔架构的运动补偿来获得时间信息。然后，我们提出了一个小波重构网络与小波密集残差块（WDRB）恢复高频细节。此外，通过WPT添加MW-GAN的对抗性损失，以进一步鼓励视频帧的高频细节恢复。实验结果证明了该方法的优越性。
2020-08-02 cs.CV eess.IV
Using a Generative Adversarial Network for CT Normalization and its Impact on Radiomic Features
University of California, Los Angeles（加州大学洛杉矶分校）
计算机辅助诊断（CADx）系统帮助放射科医生使用基于形态和纹理（放射组学）的特征在胸部CT扫描中识别和分类潜在的恶性肺结节。然而，放射组学特征对由于剂量水平和切片厚度的变化而导致的采集差异敏感。本研究探讨了从异质CT扫描作为输入生成归一化扫描的可行性。我们从40个低剂量胸部CT扫描中获得投影数据，模拟10%，25%和50%剂量的采集，并在1.0mm和2.0mm层厚下重建扫描。使用3D生成对抗网络（GAN）同时将减少剂量、厚切片（2.0 mm）图像标准化为正常剂量（100%）、薄切片（1.0 mm）图像。我们使用峰值信噪比（PSNR），结构相似性指数（SSIM）和学习感知图像块相似性（LPIPS）评价归一化图像质量。与基线CNN方法相比，我们的GAN将感知相似性提高了35%。我们的分析还表明，基于GAN的方法在9个研究的放射组学特征中导致了显著更小的误差（p值< 0.05）。这些结果表明，GANs可用于归一化异质CT图像，并减少放射组学特征值的变化。
2020-01-22 cs.CV cs.LG eess.IV
3D CBCT Challenge 2024: Improved Cone Beam CT Reconstruction using SwinIR-Based Sinogram and Image Enhancement
本文提出一种集成基于 SwinIR 的正弦图与图像增强模块，并采用 NAG-LS 求解 CT 重建的 CBCT 重建方法，显著降低了低剂量和临床剂量下的 MSE，位列挑战赛前五。
2024-06-12 cs.CV eess.IV
Gadolinium dose reduction for brain MRI using conditional deep learning
Institute for Applied Mathematics, University of Bonn（波恩大学应用数学研究所）；University Hospital Bonn（波恩大学医院）；University Hospital Essen（埃森大学医院）
针对脑部MRI钆剂量降低中对比增强预测和真实图像合成的挑战，提出利用减影图像对比信号、以无噪声标准剂量减影图为目标的条件深度学习方法，可实现超标准剂量的图像合成，经多场景数据集验证有效。
2024-03-06 cs.CV cs.LG eess.IV
Projected Distribution Loss for Image Enhancement
Google Research（谷歌研究院）
从对象识别CNN获得的特征已被广泛用于测量图像之间的感知相似性。这种可区分的度量可以用作感知学习损失以训练图像增强模型。然而，输入和目标特征之间的距离函数的选择可能会对训练模型的性能产生相应的影响。虽然使用所提取的特征之间的差异的范数导致细节的有限幻觉，但是测量特征分布之间的距离可以生成更多的纹理;还有更多不现实的细节和伪影。在本文中，我们证明了聚合CNN激活之间的1D-Wasserstein距离比现有方法更可靠，并且可以显着提高增强模型的感知性能。更明确地说，我们表明，在成像应用中，如去噪，超分辨率，去马赛克，去模糊和JPEG伪影去除，建议的学习损失优于目前最先进的基于参考的感知损失。这意味着所提出的学习损失可以插入到不同的成像框架中，并产生感知上逼真的结果。
2021-05-17 cs.CV eess.IV
M2Diff: Multi-Modality Multi-Task Enhanced Diffusion Model for MRI-Guided Low-Dose PET Enhancement
Monash University（莫纳什大学）；Monash Biomedical Imaging（莫纳什生物医学成像）；School of Public Health and Preventive Medicine, Monash University（莫纳什大学公共卫生与预防医学院）；Alfred Health（阿尔弗雷德健康中心）
M2Diff通过多模态多任务扩散模型，利用MRI和低剂量PET扫描分别学习模态特定特征，并通过层次化特征融合重建标准剂量PET，从而提升重建保真度。
2026-03-10 eess.IV
Deep Perceptual Enhancement for Medical Image Analysis
rigel-IT（里格尔信息技术公司）；Sejong University（世宗大学）；Gachon University（嘉泉大学）
本文提出首个基于全卷积深度网络的医学图像感知增强方法，利用残差块、残差门控和多项目标函数同时完成对比度校正、亮度校正与去噪，在PSNR和DeltaE指标上显著优于现有方法并提升下游分析任务性能。
2025-03-11 cs.CV eess.IV
Gap-closing Matters: Perceptual Quality Evaluation and Optimization of Low-Light Image Enhancement
City University of Hong Kong（香港城市大学）；Shenzhen Research Institute, City University of Hong Kong（香港城市大学深圳研究院）；Peng Cheng Laboratory（鹏城实验室）
针对低光照图像增强领域主观与客观质量系统性评估不足的问题，研究提出差距弥合框架，构建SQUARE-LOL大规模数据集，提出客观质量评估指标并将其融入增强模型优化以实现感知最优，验证了框架的有效性。
2024-06-21 cs.CV eess.IV
CVEGAN: A Perceptually-inspired GAN for Compressed Video Enhancement
Bristol Vision Institute, University of Bristol（布里斯托大学布里斯托视觉研究所）
本文提出CVEGAN，通过Mul2Res、ERNB、ECBAM及ReSphereGAN感知训练增强压缩视频，并在HM16.20的PP和SRA任务中取得显著编码增益。
2020-11-26 cs.CV eess.IV
PeQuENet: Perceptual Quality Enhancement of Compressed Video with Adaptation- and Attention-based Network
Xidian University（西安电子科技大学）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）；BBC Research & Development（英国广播公司研发部）；Northwestern Polytechnical University（西北工业大学）
在本文中，我们提出了一个生成对抗网络（GAN）框架，以提高压缩视频的感知质量。我们的框架包括注意和适应不同的量化参数（QP）在一个单一的模型。注意力模块利用全局感受野，可以捕获和对齐连续帧之间的长程相关性，这对于增强视频的感知质量是有益的。要增强的帧与其相邻帧一起被馈送到深度网络中，并且在第一阶段中提取不同深度的特征。然后，提取的特征被馈送到注意力块中以探索全局时间相关性，然后是一系列上采样和卷积层。最后，所得到的特征由QP条件自适应模块处理，该模块利用相应的QP信息。以这种方式，可以使用单个模型来自适应地增强各种QP，而不需要特定于每个QP值的多个模型，同时具有类似的性能。实验结果表明，与现有的压缩视频质量增强算法相比，PeQuENet算法具有更好的性能.
2022-06-16 cs.CV cs.MM eess.IV
Impact of loss functions on the performance of a deep neural network designed to restore low-dose digital mammography
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Fudan University（复旦大学）；Shanghai Center for Brain Science and Brain-inspired Technology（上海脑科学与类脑研究中心）；São Carlos School of Engineering, University of São Paulo（圣保罗大学圣卡洛斯工程学院）；Ribeirão Preto School of Medicine, University of São Paulo（圣保罗大学里贝朗普雷图医学院）
提出带分层跳跃连接的改进ResNet复原低剂量乳腺X线图像，并比较多种损失函数，发现PL4可达到接近全剂量的噪声水平且信号偏差更小。
2021-11-12 cs.CV eess.IV physics.med-ph
AU-IQA: A Benchmark Dataset for Perceptual Quality Assessment of AI-Enhanced User-Generated Content
Shanghai Jiao Tong University（上海交通大学）；McMaster University（麦斯特大学）；Suzhou Key Laboratory of Artificial Intelligence（苏州人工智能重点实验室）
针对AI增强用户生成内容缺乏专门感知质量评估模型的问题，构建了包含4800张图像的AU-IQA基准数据集，并全面评估了现有IQA方法与大型多模态模型在该数据集上的表现。
2025-08-11 cs.CV eess.IV
Improving Virtual Contrast Enhancement using Longitudinal Data
Guerbet Research（Guerbet研究机构）；LMA, Université de Poitiers, France（LMA，波蒂埃大学，法国）；CHU de Poitiers, Poitiers, France（波蒂埃大学医院，法国）；XLIM, Université de Poitiers, France（XLIM，波蒂埃大学，法国）；I3M, Common Laboratory CNRS-Siemens, France（I3M，CNRS-西门子联合实验室，法国）
本研究提出一种结合患者既往全剂量MRI纵向信息的深度学习框架，实现低剂量采集图像的虚拟对比增强，可在保证诊断效用的同时减少钆基对比剂使用，提升临床纵向监测安全性。
2025-10-02 cs.LG eess.IV
Perceptual Image Enhancement for Smartphone Real-Time Applications
University of Würzburg（维尔茨堡大学）；Computer Vision Center（计算机视觉中心）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）
本文提出轻量级网络LPIENet用于智能手机感知图像增强，在参数和计算量更少的情况下有效去除多种图像伪影，并在中端商用手机上实现1秒内处理2K图像。
2023-11-23 cs.CV eess.IV
Bit Allocation Transfer for Perceptual Quality Enhancement of Traditional Video Codecs
School of Engineering Science Simon Fraser University Burnaby, BC, Canada
该研究提出比特分配迁移框架，通过DCVC-FM训练量化步长生成模型，将神经压缩的感知重要性迁移至传统编解码器，在HEVC B~D数据集上实现显著比特率节省，且不修改核心解码语法。
2026-08-11 cs.MM eess.IV
Ultrasound Image Enhancement using CycleGAN and Perceptual Loss
UT Southwestern Medical Center（西南医学中心）
本研究提出结合感知损失的CycleGAN框架增强便携设备超声图像，有效处理未配准图像对，在五个器官系统上取得0.722的SSI和28.802的PSNR，提升了图像质量并保留解剖结构。
2023-12-18 cs.CV eess.IV
Diffusion Prior Regularized Iterative Reconstruction for Low-dose CT
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出一种由扩散先验正则化的迭代重建算法，结合DDPM与数据保真重建及Nesterov加速，实现低剂量CT的高质量无监督重建。
2023-10-10 cs.LG eess.IV physics.med-ph
Low-dose CT Denoising with Language-engaged Dual-space Alignment
Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学脑智能科学与技术研究院）；Center for Biotechnology and Interdisciplinary Studies, Rensselaer Polytechnic Institute（伦斯勒理工学院生物技术与跨学科研究中心）
针对低剂量CT去噪深度学习方法存在的过度平滑、模糊及可解释性不足问题，提出即插即用的LEDA损失，利用LLM在双空间对齐图像，可提升现有去噪模型性能并提供可解释性。
2024-03-10 cs.CV eess.IV
Window-Level is a Strong Denoising Surrogate
Saratoga High School（萨拉托加高中）；Stanford University（斯坦福大学）
CT图像质量严重依赖于辐射剂量，这导致辐射剂量和图像质量之间的权衡，影响后续基于图像的诊断性能。然而，高辐射可能对患者和操作者都有害。已经尝试了几种（基于深度学习的）方法来对低剂量图像进行降噪。然而，这些方法需要访问大的训练集，特别是用于参考的全剂量CT图像，这通常可能难以获得。自监督学习是一种新兴的替代方法，可以降低对参考数据的要求，从而促进无监督学习。目前可用的自监督CT去噪工作要么依赖于外部域，要么借口不是很相关的任务。为了解决上述挑战，我们提出了一种新的自监督学习方法，即自监督窗口调平图像去噪（SSWL-IDN），利用一个创新的，任务相关的，简单的，但有效的替代-预测的窗口调平等效。SSWL-IDN利用残差学习和结合感知损失和MSE的混合损失，所有这些都包含在VAE框架中。我们广泛的（在域和跨域）实验证明了SSWL-IDN的有效性，积极的CT（腹部和胸部）图像的降噪采集仅在5\%的剂量水平。
2021-05-15 cs.CV eess.IV
A Neural Enhancement Post-Processor with a Dynamic AV1 Encoder Configuration Strategy for CLIC 2024
针对传统视频压缩在实际流媒体码率下出现可见伪影、降低感知质量的问题，提出结合神经后处理器与动态优化策略的方法，通过对抗训练和感知损失优化，在50kb/s和500kb/s码率下分别提升VMAF分数6.72和1.81，显著改善视频保真度。
2024-01-31 eess.IV
SCENE: Semantic-aware Codec Enhancement with Neural Embeddings
United Link Co., Ltd.（联合链接有限公司）；Dept. Computer Science and Information Engineering, National Tsing Hua University（国立清华大学计算机科学与信息工程系）
SCENE通过整合视觉语言模型的语义嵌入，实现对压缩视频中伪影的语义感知增强，提升感知质量和细节纹理保留。
2026-01-29 cs.CV cs.LG cs.MM
Blind CT Image Quality Assessment Using DDPM-derived Content and Transformer-based Evaluator
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本研究提出一种模拟人类视觉内部生成机制的盲CT图像质量评估方法，通过DDPM推导图像主要内容生成差异图，结合Transformer评估器，在MICCAI 2023低剂量CT感知质量挑战赛中获亚军且性能可进一步提升。
2023-10-04 cs.CV eess.IV
Task-Oriented Low-Dose CT Image Denoising
Rensselaer Polytechnic Institute（伦斯勒理工学院）
医学CT的广泛使用引起了公众对患者辐射剂量的关注。减少辐射剂量会导致CT图像噪声和伪影增加，这不仅会对放射科医师的判断产生不利影响，还会对下游医学图像分析任务的性能产生不利影响。各种低剂量CT去噪方法，特别是最近基于深度学习的方法，已经产生了令人印象深刻的结果。然而，现有的去噪方法都是下游任务不可知的，忽略了下游应用的不同需求。在本文中，我们介绍了一种新的面向任务的去噪网络（TOD-Net）与面向任务的损失利用知识的下游任务。综合的实证分析表明，任务导向的损失补充其他任务不可知的损失，引导去噪，以提高图像质量的任务相关的区域的兴趣。这种增强反过来又会普遍提高下游任务的各种方法的性能。本文的工作对上下文感知的图像去噪方法的未来发展具有一定的指导意义。
2021-07-10 cs.CV eess.IV
DSRGAN: Detail Prior-Assisted Perceptual Single Image Super-Resolution via Generative Adversarial Networks
Beihang University（北京航空航天大学）；Institute for Infocomm Research（资讯通信研究院）
将生成对抗网络（GAN）成功地应用于感知单图像超分辨率（SISR）研究。然而，GAN经常倾向于生成具有与真实细节不一致的高频细节的图像。传统的细节增强算法的启发，我们提出了一种新的先验知识，细节先验，以协助GAN在减轻这个问题，恢复更真实的细节。所提出的方法，命名为DSRGAN，包括一个精心设计的细节提取算法，捕捉最重要的高频信息的图像。然后，两个鉴别器分别用于监督图像域和细节域的简化。DSRGAN通过细节增强的方式将恢复的细节融合到最终输出中。DSRGAN的特殊设计同时利用了基于模型的传统算法和数据驱动的深度学习网络。实验结果表明，DSRGAN优于国家的最先进的SISR方法的感知指标，并取得可比的结果，同时在保真度指标。在DSRGAN之后，将其他常规图像处理算法并入深度学习网络以形成基于模型的深度SISR是可行的。
2021-12-25 cs.CV eess.IV
MDAA-Diff: CT-Guided Multi-Dose Adaptive Attention Diffusion Model for PET Denoising
School of Biomedical Engineering, Southern Medical University（南方医科大学生物医学工程学院）；School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院）；Nanfang PET Center, Nanfang Hospital Southern Medical University（南方医科大学南芳医院PET中心）
针对低剂量PET成像质量差的问题，提出CT引导多剂量自适应注意力扩散模型MDAA-Diff，融合CT解剖特征与剂量自适应注意力，在18F-FDG和68Ga-FAPI数据集上优于现有方法，提升低剂量下诊断质量。
2025-06-21 cs.CV eess.IV
Perceptual Multi-Exposure Fusion
University of Electronic Science and Technology of China（电子科技大学）；School of Information and Communication Engineering（信息与通信工程学院）
本文提出一种低复杂度的感知多曝光融合方法，通过改进AWE和3-D梯度替代细节增强组件，在保证细节的同时超越八种先进方法且适用于移动设备。
2025-03-05 cs.CV eess.IV
Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer Technique with Contrastive Regularization Mechanism
针对全身低剂量CT去噪中现有深度学习方法重建图像过度平滑的问题，提出带对比正则化机制的师生一致性网络TSC-Net，结合动态增强模块提升去噪效果与纹理保留能力。
2021-12-06 cs.CV eess.IV physics.med-ph
The Loop Game: Quality Assessment and Optimization for Low-Light Image Enhancement
Department of Computer Science, South China Normal University（华南师范大学计算机科学系）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
本文提出循环增强框架，通过构建QUOTE-LOL大规模质量评估数据库，将客观质量评估指标融入增强模型优化，迭代提升低光图像的感知质量。
2025-05-03 cs.CV eess.IV
LUMEN: Low-light Unified Multi-stage Enhancement Network using depth-guided flash, clustering, and attention-based Transformers
Department of Electrical Engineering, IIT Kharagpur（电气工程系，印度理工学院克哈格普尔分校）
本文提出LUMEN网络，通过深度引导闪光、聚类和基于注意力的Transformer，解决低光照图像增强中的噪声、色彩失真、对比度下降和结构细节丢失问题，实现高质量的图像增强。
2026-05-18 eess.IV
GAN-Based Architecture for Low-dose Computed Tomography Imaging Denoising
College of Life Science and Technology, Huazhong University of Science and Technology（华中科技大学生命科学技术学院）；New York University Shanghai（上海纽约大学）；School of Life Sciences and Biotechnology, Shanghai Jiao Tong University（上海交通大学生命科学技术学院）
本文系统综述了基于GAN的低剂量CT去噪技术，分析cGAN、CycleGAN、SRGAN等架构的优缺点及PSNR、SSIM、LPIPS等评估结果，并指出临床应用中可解释性、合成伪影等挑战，强调其对精准医学的变革意义。
2025-02-04 cs.CV cs.LG eess.IV
A Deep Learning Approach for Virtual Contrast Enhancement in Contrast Enhanced Spectral Mammography
本文提出利用深度生成模型进行虚拟对比度增强，以减少造影剂使用和辐射剂量，通过自编码器和CycleGAN生成合成图像，提升CESM诊断效果。
2023-08-03 cs.CV eess.IV
HepatoGEN: Generating Hepatobiliary Phase MRI with Perceptual and Adversarial Models
本研究提出基于深度学习的方法，利用感知U-Net、pGAN和DDPM从早期对比期合成肝胆期MRI，结果显示pGAN定量最佳但存在异质对比，U-Net伪影更少，证明了合成HBP图像减少扫描时间的临床潜力。
2025-08-14 cs.CV eess.IV
CAVM: Conditional Autoregressive Vision Model for Contrast-Enhanced Brain Tumor MRI Synthesis
School of Medical Technology, Beijing Institute of Technology（北京理工大学医学技术学院）；School of Integrated Circuits and Electronics, Beijing Institute of Technology（北京理工大学集成电路与电子学院）
针对钆基对比剂成本高、有副作用且现有深度学习合成对比增强脑肿瘤MRI质量不足的问题，提出CAVM模型，通过逐步提升剂量的自回归策略结合分解分词与掩码注意力，实现高质量虚拟对比增强MRI合成。
2024-06-23 cs.CV eess.IV
Breaking the Multi-Enhancement Bottleneck: Domain-Consistent Quality Enhancement for Compressed Images
针对现有压缩图像质量增强方法在多重增强场景下性能严重退化的问题，提出一种将现有模型转换为域一致模型的适配方法，可使多种模型在多重增强中同时维持保真度与感知质量。
2025-06-17 eess.IV
NTIRE 2022 Challenge on Perceptual Image Quality Assessment
本文报告了NTIRE 2022感知图像质量评估（IQA）挑战赛，该挑战赛与CVPR 2022上的图像复原和增强研讨会（NTIRE）新趋势研讨会一起举行。这一挑战是为了通过感知图像处理算法来解决IQA的新兴挑战。这些算法的输出图像具有与传统失真完全不同的特征，并包含在本次挑战中使用的PIPAL数据集中。该挑战分为两个轨道，一个是与之前的NTIRE IQA挑战类似的完整参考IQA轨道，另一个是专注于无参考IQA方法的新轨道。挑战赛有192名和179名注册参与者参加两个轨道。在最后的测试阶段，7和8个参与团队提交了他们的模型和情况说明书。几乎所有的方法都取得了比现有的IQA方法更好的结果，并且获胜的方法可以展示最先进的性能。
2022-06-23 cs.CV eess.IV
Perceptual Image Restoration with High-Quality Priori and Degradation Learning
感知图像恢复寻求最有可能退化为给定图像的高保真图像。为了更好的视觉质量，以前的工作提出了搜索自然图像流形内的解决方案，通过利用生成模型的潜在空间。然而，只有当潜在嵌入接近先验分布时，生成的图像的质量才能得到保证。在这项工作中，我们建议限制可行区域内的先验流形。这是通过两种分布的非参数度量来实现的：最大平均离散度（MMD）。此外，我们直接作为一个条件分布模型的退化过程。我们表明，我们的模型在测量恢复和退化图像之间的相似性表现良好。而不是优化长期批评的像素距离退化的图像，我们依靠这样的模型找到视觉愉悦的图像与高概率。我们的同步恢复和增强框架很好地推广到现实世界中复杂的退化类型。感知质量和无参考图像质量评估（NR-IQA）的实验结果表明，我们的方法的优越性能。
2021-03-04 cs.CV eess.IV
Enhanced Low-Dose CT Image Reconstruction by Domain and Task Shifting Gaussian Denoisers
Hochschule Darmstadt（达姆施塔特应用科学大学）
本文提出FBP-DTSGD，将预训练自然图像高斯去噪器经域与任务迁移微调用于FBP后的LDCT增强，以两阶段效率取得LoDoPaB-CT领先重建质量。
2025-03-14 cs.CV cs.LG eess.IV
HFLIC: Human Friendly Perceptual Learned Image Compression with Reinforced Transform
Peking University（北京大学）
针对现有学习图像压缩方法牺牲人类友好性且解码时间长的问题，本文通过增强骨干网络和损失函数，提出一种高效且人类友好的感知图像压缩方法，在相同主观质量下节省超过25%的比特率。
2023-05-18 cs.CV cs.MM eess.IV
On the limits of perceptual quality measures for enhanced underwater images
Queen Mary University of London（伦敦玛丽女王大学）
水下图像中物体的外观因光的选择性衰减而退化，这降低了对比度并导致偏色。这种退化取决于水环境，并随着深度和物体与相机的距离而增加。尽管在水下图像增强和恢复的工作量越来越大，缺乏一个普遍接受的评价措施是阻碍了进展，因为它是很难比较的方法。在本文中，我们回顾了常用的颜色精度的措施，如色彩再现误差和CIEDE2000，和无参考的图像质量的措施，如UIQM，UCIQE和CCF，尚未系统地验证。我们发现，没有一个无参考的质量措施令人满意的评价增强的水下图像的质量，并讨论其主要缺点。图片和结果可在https://puiqe.eecs.qmul.ac.uk上获得。
2022-07-12 cs.CV eess.IV
