An Unsupervised Framework for Joint MRI Super Resolution and Gibbs Artifact Removal
United Imaging Intelligence（联影智能）
从磁共振成像（MRI）生成的k空间数据只是潜在信号的有限采样。因此，MRI图像经常遭受低空间分辨率和吉布斯振铃伪影。以前的研究分别解决了这两个问题，其中超分辨率方法往往会增强吉布斯伪影，而吉布斯振铃消除方法往往会模糊图像。在临床MRI中难以获得高分辨率的地面真值也是一个挑战。在本文中，我们提出了一个无监督的学习框架，MRI超分辨率和吉布斯伪影去除，而不使用高分辨率地面真理。此外，我们提出了正则化方法，以提高模型的泛化能力在分布的MRI图像。我们评估了我们提出的方法与其他国家的最先进的方法在八个MRI数据集与各种对比度和解剖结构。我们的方法不仅实现了最好的SR性能，但也显着减少吉布斯文物。我们的方法在不同的数据集上也表现出良好的泛化能力，这对于训练数据通常稀缺且有偏差的临床应用是有益的。
2023-02-06 cs.AI cs.CV cs.LG
Learning a Single Model with a Wide Range of Quality Factors for JPEG Image Artifacts Removal
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所）；State Key Laboratory of Digital Publishing Technology, Peking University Founder Group Co., Ltd.（北京大学方正集团有限公司数字出版技术国家重点实验室）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
有损压缩会给压缩后的图像带来伪影，降低视觉质量。近年来，基于卷积神经网络（CNN）的压缩伪影去除方法得到了广泛的应用。然而，这些方法通常训练基于一个特定值或小范围的质量因子的模型。显然，如果测试图像的质量因子与假设的值范围不匹配，则会导致性能下降。基于这一动机，并进一步考虑实际应用，本文提出了一种高鲁棒性的压缩伪影去除网络。我们提出的网络是一个单一的模型方法，可以训练处理各种质量因素，同时始终如一地提供卓越或相当的图像伪影去除性能。为了演示，我们专注于JPEG压缩的质量因子，范围从1到60。请注意，我们提出的网络的交钥匙成功在于量化表作为训练数据的一部分的新颖利用。此外，它有两个并行的分支-即，恢复分支和全球分支。前者有效地去除了局部伪影，例如振铃伪影去除。另一方面，后者提取了整个图像的全局特征，提供了高度工具性的图像质量改善，特别是有效地处理全局伪影，如块，颜色偏移。在彩色和灰度图像上进行的大量实验结果清楚地表明了我们提出的单模型方法对从解码图像中去除压缩伪影的有效性和功效。
2020-09-15 cs.CV eess.IV
Differentiated Backprojection Domain Deep Learning for Conebeam Artifact Removal
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
使用圆形轨迹的锥束CT由于其相对简单的几何结构而经常用于各种应用。对于锥束几何，Feldkamp，Davis和Kress算法被认为是标准的重建方法，但是该算法随着锥角的增加而遭受所谓的锥束伪影。已经开发了各种基于模型的迭代重建方法来减少锥束伪影，但是这些算法通常需要计算昂贵的前向和后向投影的多次应用。在本文中，我们开发了一种新的深度学习方法来精确去除锥束伪影。特别是，我们在微分反投影域上设计的深度网络对与希尔伯特变换相关的不适定反卷积问题进行了数据驱动的反演。沿冠状和矢状方向的重建结果，然后结合使用频谱混合技术，以尽量减少频谱泄漏。实验结果表明，我们的方法优于现有的迭代方法，尽管显着降低了运行时的复杂性。
2020-06-03 cs.CV cs.LG eess.IV
DeStripe: A Self2Self Spatio-Spectral Graph Neural Network with Unfolded Hessian for Stripe Artifact Removal in Light-sheet Microscopy
Technical University of Munich（慕尼黑工业大学）；Georg-August-University Goettingen（哥廷根大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Institute of AI for Health, Helmholtz Munich - German Research Center for Environmental Health（亥姆霍兹慕尼黑中心-德国环境健康研究中心健康人工智能研究所）；Helmholtz AI, Helmholtz Munich - German Research Center for Environmental Health（亥姆霍兹慕尼黑中心-德国环境健康研究中心亥姆霍兹人工智能）
光片荧光显微镜（LSFM）是一种先进的体积成像技术，允许三维成像的介观样品与解耦照明和检测路径。虽然这样的显微镜的选择性激发方案提供了内在的光学切片，最大限度地减少了焦点外的荧光背景和样品光损伤，它是容易发生光吸收和散射效应，这会导致在不均匀的照明和条纹的图像中的文物不利。为了解决这个问题，在本文中，我们提出了一个盲条纹伪影去除算法在LSFM，称为DeStripe，它结合了一个自监督的空间谱图神经网络与展开的Hessian先验。具体而言，受傅里叶变换在将条带化信息浓缩成频域中的孤立值中的期望属性的启发，DeStripe首先通过利用单向条带伪影和更各向同性的前景图像之间的结构差异来定位潜在损坏的傅里叶系数。然后，受影响的傅立叶系数可以被馈送到图神经网络中进行恢复，并展开Hessian正则化，以进一步确保标准图像空间中的结构得到很好的保留。由于在现实中，标准图像采集协议几乎不存在无条纹LSFM，因此DeStripe配备了Self2Self去噪损失项，可以在不访问无条纹地面真实图像的情况下消除伪影。竞争性的实验结果证明了DeStripe在恢复LSFM中损坏的生物标志物与合成和真实条纹伪影的功效。
2022-06-27 cs.CV cs.LG eess.IV
Realistic Restorer: artifact-free flow restorer(AF2R) for MRI motion artifact removal
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Pazhou Lab（琶洲实验室）
针对MRI运动伪影问题，提出显式建模伪影生成机制的端到端模型AF2R，利用条件归一化流逐步去除伪影，在模拟和真实数据上取得更优性能并保留解剖细节。
2023-06-19 cs.CV eess.IV
Towards Flexible Blind JPEG Artifacts Removal
ETH Zurich（苏黎世联邦理工学院）
训练一个单一的深度盲模型来处理不同的质量因子，以去除JPEG图像伪影，由于其便于实际使用，已经引起了相当大的关注。然而，现有的深度盲方法通常直接重建图像而不预测质量因子，因此缺乏非盲方法控制输出的灵活性。为了解决这个问题，在本文中，我们提出了一种灵活的盲卷积神经网络，即FBCNN，它可以预测可调节的质量因子，以控制伪影去除和细节保留之间的权衡。具体来说，FBCNN通过一个量化器模块从JPEG图像中量化出质量因子，然后通过一个质量因子关注块将预测的质量因子嵌入到后续的重建器模块中，以便灵活控制。此外，我们发现现有的方法很容易失败的非对齐双JPEG图像，即使只有一个像素的位移，因此，我们提出了一个双JPEG退化模型来增加训练数据。在单JPEG图像、更一般的双JPEG图像和真实世界的JPEG图像上进行的广泛实验表明，我们提出的FBCNN在定量指标和视觉质量方面都取得了优于最先进方法的性能。
2021-09-29 cs.CV eess.IV
D4PM: A Dual-branch Driven Denoising Diffusion Probabilistic Model with Joint Posterior Diffusion Sampling for EEG Artifacts Removal
针对EEG去噪中缺乏时间建模和单一伪影训练的局限，提出双分支驱动去噪扩散概率模型D4PM，通过联合后验采样策略整合互补先验，在多类型伪影去除上实现高保真重建并达到SOTA。
2025-09-17 eess.IV
Automatic Flare Spot Artifact Detection and Removal in Photographs
Universitat Pompeu Fabra（庞培法布拉大学）
光斑是由许多条件引起的一种类型的光斑伪影，通常由相机视场内或附近的一个或多个高亮度源引起。当来自高亮度源的光线到达相机的前元件时，它可以在相机元件内产生内反射，该内反射出现在胶片平面处，从而在捕获的图像上形成非图像信息或闪光。即使使用了预防机制，也可能出现伪影。在本文中，我们提出了一个强大的计算方法来自动检测和消除耀斑斑点文物。我们的贡献有三个方面：首先，我们提出了一个表征，这是基于内在属性的耀斑点是可能满足的; 2其次，我们定义了一个新的置信度能够选择耀斑点之间的候选人;和，最后，一种方法，以准确地确定耀斑区域。然后，通过使用基于样本的修复来去除检测到的伪影。我们表明，我们的算法实现顶级的定量和定性性能。
2021-03-07 cs.CV eess.IV
Attribute Artifacts Removal for Geometry-based Point Cloud Compression
University of Science and Technology of China（中国科学技术大学）
基于几何的点云压缩（G-PCC）可以获得显著的点云压缩效率。然而，它仍然导致严重的属性压缩伪像，特别是在低比特率场景下。在本文中，我们提出了一个多尺度图注意力网络（MS-GAT），以消除由G-PCC压缩的点云属性的伪影。首先基于点云几何坐标构造图，然后利用切比雪夫图卷积提取点云属性的特征。考虑到一个点可能与附近和远离它的点相关，我们提出了一个多尺度方案来捕获当前点与其相邻点和远点之间的短期和长期相关性。为了解决不同点可能具有由自适应量化引起的不同程度的伪影的问题，我们引入每个点的量化步长作为所提出的网络的额外输入。我们还在网络中加入了一个加权图关注层，以特别关注具有更多属性工件的点。据我们所知，这是G-PCC的第一个属性伪影去除方法。我们验证了我们的方法在各种点云的有效性。客观的比较结果表明，我们提出的方法实现了平均9.74%的BD率减少相比Predlift和10.13%的BD率减少相比，RAHT。主观比较结果表明，减少了诸如颜色偏移、模糊和量化噪声的视觉伪影。
2022-03-01 cs.CV eess.IV
Wide Range MRI Artifact Removal with Transformers
KTH Royal Institute of Technology（KTH皇家理工学院）；Science for Life Laboratory（生命科学实验室）
磁共振扫描的伪影对放射科医生和计算机辅助诊断系统都是一个严峻的挑战。最常见的是，伪影是由患者的运动引起的，但也可能是由设备特定的异常（如噪声模式）引起的。无论来源如何，伪影不仅会使扫描无效，而且如果不注意，可能会导致误诊。例如，伪影可能伪装成肿瘤或其他异常。回顾性伪影校正（RAC）涉及在扫描完成后消除伪影。在这项工作中，我们提出了一种方法，能够回顾性地消除八个常见的伪影中发现的原生分辨率的MR图像。不假定特定工件的存在或位置的知识，并且通过设计，系统能够撤销多个工件的交互。我们的方法是通过设计一种新的体积变压器为基础的神经网络，推广了\emph{window-centered}方法推广的Swin Transformer。与Swin不同，我们的方法是（i）原生体积，（ii）面向密集预测任务而不是分类，以及（iii）使用一种新颖且更具全局性的机制来实现窗口之间的信息交换。我们的实验表明，我们的重建比ResNet，V-Net，MobileNet-v2，DenseNet，CycleGAN和BicycleGAN所获得的要好得多。此外，我们表明，从我们的模型重建的图像提高了FSL BET的准确性，FSL BET是一种通常应用于诊断工作流程的标准颅骨剥离方法。
2022-10-17 cs.CV eess.IV
Motion artifact removal and signal enhancement to achieve in vivo dynamic full field OCT
我们提出了一种基于奇异值分解的滤波过程，以消除动态全场OCT采集过程中样本运动产生的伪影。所提出的方法成功地从临床环境中采集的数据（包括体内数据）中去除了由环境噪声产生的伪影。此外，我们报告了一种新的方法的基础上使用的累积和计算动态图像的原始信号，导致更高的信噪比，从而使动态成像更深的组织。
2019-06-28 eess.IV physics.med-ph
A Dual-domain Regularization Method for Ring Artifact Removal of X-ray CT
School of Mathematical Sciences, Capital Normal University（首都师范大学数学科学学院）；Beijing Advanced Innovation Center for Imaging Technology, Capital Normal University（首都师范大学北京成像技术高精尖创新中心）
针对CT环状伪影，提出双域正则化模型，结合组稀疏与投影视角方向稀疏约束校正探测器响应，交替最小化求解，在真实数据上优于现有方法并保持图像细节。
2024-03-15 cs.CV eess.IV
Learned Compression Artifact Removal by Deep Residual Networks
我们提出了一种学习的压缩伪影去除后处理的BPG压缩图像的方法。我们训练了三个不同规模的网络。我们使用具有不同QP值的BPG对输入图像进行编码。我们提交了测试图像的最佳组合，使用不同的QP进行编码，并通过三种网络之一进行后处理，这些网络满足了挑战赛所施加的文件大小和解码时间限制。最佳组合的选择是一个整数规划问题。虽然图像质量的视觉改善令人印象深刻，但结果的平均PSNR改善约为0.5 dB。
2018-06-01 eess.IV
Ring Artifacts Removal Based on Implicit Neural Representation of Sinogram Data
本文提出一种基于隐式神经表示的无监督方法，通过校正正弦图缺陷像素响应并学习角向条纹特征，在优化框架内迭代去除投影域条纹伪影，显著提升了CT图像中环状伪影的去除效果并保持清晰度。
2025-06-30 eess.IV
Independent Component Analysis for noise and artifact removal in Three-dimensional Polarized Light Imaging
近年来，独立分量分析（ICA）已经成功地应用于在中尺度（即，64 $μ$ m）。在这里，我们提出了一个自动去噪过程的灰质区域，允许应用ICA也显微图像，合理的计算工作。除了自动分割的灰质区域，我们应用了去噪程序的几个3D-PLI图像从大鼠和长尾猴脑切片。
2020-11-30 eess.IV physics.med-ph
Deep learning denoising for EOG artifacts removal from EEG signals
University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Oklahoma（俄克拉荷马大学）；Shahid Beheshti University（沙希德·贝赫什提大学）
在脑电图（EEG）记录中遇到许多干扰源，特别是眼部、肌肉和心脏伪影。由于脑电信号中的伪迹会给脑电信号的分析带来很多问题，因此抑制伪迹是脑电信号分析中的一个重要环节。EEG去噪过程中最具挑战性的问题之一是去除眼电图（EOG）和EEG信号在频域和时域上都有重叠的眼伪影。在本文中，我们构建并训练了一个深度学习模型来应对这一挑战，并有效地去除视觉伪影。在所提出的方案中，我们将每个EEG信号转换为图像，以馈送到U-NET模型，这是一种通常用于图像分割任务的深度学习模型。我们提出了三种不同的方案，并使我们的基于U-NET的模型学习净化污染的EEG信号，类似于图像分割过程中使用的过程。结果证实，我们的计划可以达到一个可靠的和有前途的准确性，以减少目标信号（纯脑电图）和预测信号（纯化脑电图）之间的均方误差。
2020-09-12 cs.LG eess.IV eess.SP
Training a Neural Network for Gibbs and Noise Removal in Diffusion MRI
我们开发和评估一个基于神经网络的方法吉布斯文物和噪声去除。设计了一种卷积神经网络（CNN）用于去除弥散加权成像数据中的伪影。考虑了两种实现：一种用于幅度图像，一种用于复杂图像。两种模型都基于相同的编码器-解码器结构，并通过在合成非MRI图像上模拟MRI采集来训练。两种机器学习方法都能够减轻扩散加权图像和扩散参数图中的伪影。用于复杂图像的CNN还能够减少部分傅立叶采集中的伪影。提出的CNN扩展了扩散MRI中伪影校正的能力。这里描述的机器学习方法可以独立地应用于每个成像切片，使其能够在临床应用中灵活使用。
2019-05-15 eess.IV
Automatic artifact removal of resting-state fMRI with Deep Neural Networks
本研究针对静息态fMRI的噪声与伪影去除问题，提出融合时空信息的先进DNN分类架构，结合多域投票方案实现了超98%的平均准确率，且灵敏度与特异度平衡表现优异。
2021-09-07 eess.IV
How to Train Neural Networks for Flare Removal
Rice University（莱斯大学）；Google Research（谷歌研究院）；Adobe Inc.（奥多比公司）
当相机指向强光源时，所产生的照片可能包含镜头光斑伪影。耀斑出现在各种各样的模式（晕，条纹，颜色出血，阴霾等）。并且这种外观上的多样性使得耀斑去除具有挑战性。现有的解析解对伪影的几何形状或亮度做了很强的假设，因此只能在一小部分耀斑上工作得很好。机器学习技术在去除其他类型的伪影（如反射）方面取得了成功，但由于缺乏训练数据，尚未广泛应用于耀斑去除。为了解决这个问题，我们明确地模拟耀斑的光学原因，无论是经验或使用波动光学，并产生半合成对耀斑损坏和干净的图像。这使我们能够训练神经网络，以消除镜头耀斑的第一次。实验表明，我们的数据合成方法对于准确去除光斑至关重要，并且使用我们的技术训练的模型可以很好地推广到不同场景，照明条件和相机的真实镜头光斑。
2021-10-08 cs.CV eess.IV
OAPT: Offset-Aware Partition Transformer for Double JPEG Artifacts Removal
Kuaishou Technology（快手科技）；University of Electronic Science and Technology of China（电子科技大学）
提出用于双重 JPEG 伪影去除的偏移感知分区 Transformer（OAPT），通过压缩偏移预测和混合分区注意力块聚类相似模式，在恢复任务中超越现有最优方法 0.16dB 以上，且其聚类模块可作为插件增强其他方法。
2024-09-25 cs.CV eess.IV
A Comprehensive Benchmark for Single Image Compression Artifacts Reduction
我们提出了一个全面的研究和评估现有的单图像压缩伪影去除算法，使用一个新的4K分辨率基准，包括多样化的前景物体和背景场景丰富的结构，称为大规模理想超高清4K（LIU4K）基准。压缩伪影去除作为一种常见的后处理技术，旨在减轻压缩过程中由量化和近似引起的不期望的伪影，诸如块效应、振铃和条带。在这项工作中，基于其基本模型（手工模型和深度网络），系统地列出了已审查的方法。这些方法的主要贡献和新颖性，并总结了主要的发展方向，包括架构，多域源，信号结构，和新的目标单元，。此外，基于统一的深度学习配置（即相同的训练数据，损失函数，优化算法等），我们基于多样化的评估措施来评估最近的基于深度学习的方法。实验结果表明，现有的方法的最先进的性能比较的基础上完全引用，非引用和任务驱动的指标。本文的研究为今后单幅图像压缩伪影去除的研究提供了一个全面的参考来源，并启发了相关领域的新方向。
2019-09-09 cs.CV eess.IV
Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model
Xidian University（西安电子科技大学）；Guangdong Provincial People’s Hospital（广东省人民医院）；Southern Medical University（南方医科大学）；Xiangyang No. 1 People’s Hospital（襄阳市第一人民医院）；Hubei University of Medicine（湖北医药学院）；Chongqing University of Posts and Telecommunications（重庆邮电大学）
针对现有MRI运动伪影去除方法依赖配对数据、未充分考虑k空间扰动的问题，提出结合像素-频域信息与交替互补掩码的无监督扩散模型方法，在多组织数据集上实现更优的定量指标与临床反馈。
2024-12-11 cs.CV eess.IV
Deep Learning for Gradient and BCG Artifacts Removal in EEG During Simultaneous fMRI
针对同步EEG-fMRI中MR梯度与BCG伪影干扰问题，提出基于一维卷积自编码器的DAR框架，在多指标上优于传统方法，泛化性与可解释性良好，可用于实时EEG伪影去除。
2025-07-29 eess.IV eess.SP
A Novel Low-Rank Tensor Method for Undersampling Artifact Removal in Respiratory Motion-Resolved Multi-Echo 3D Cones MRI
本研究提出一种低秩张量方法，通过构建三阶图像张量利用低秩结构去除呼吸运动分辨多回波3D锥形MRI的欠采样伪影，在志愿者与患者实验中验证有效，且重建速度比常规压缩感知方法至少快三倍。
2023-05-01 eess.IV physics.med-ph
Learning-based Motion Artifact Removal Networks (LEARN) for Quantitative $R_2^\ast$ Mapping
目的：介绍两种新型的基于学习的运动伪影去除网络（LEARN），用于从运动受损的多梯度回波（mGRE）MRI数据中估计定量运动和$B0$不稳定性校正的$R_2^\ast$图。研究方法：我们训练两个卷积神经网络（CNN）来校正运动伪影，以高质量地估计来自mGRE序列的定量$B0$ -不稳定性校正的$R_2^\ast$图。第一个CNN，LEARN-IMG，对复杂的mGRE图像执行运动校正，以便使用标准的逐体素分析或基于机器学习的分析来实现高质量无运动定量$R_2^\ast$（和任何其他启用mGRE的）图的后续计算。第二个CNN，LEARN-BIO，被训练为通过利用描述mGRE信号衰减的生物物理模型，从运动受损的仅幅度mGRE图像直接生成运动和$B0$不稳定性校正的定量$R_2^\ast$图。我们证明了在合成MR图像上训练的两种CNN都能够抑制运动伪影，同时保留预测的定量$R_2^\ast$图中的细节。通过使用我们的训练模型，也实现了在实验体内运动损坏的数据的运动伪影的显着减少。结论：LEARN-IMG和LEARN-BIO都可以计算高质量的运动和$B0$不稳定性校正的$R_2^\ast$图。LEARN-IMG对mGRE图像执行运动校正，并依赖于随后的分析来估计$R_2^\ast$图，而LEARN-BIO直接执行运动和$B0$不稳定性校正的$R_2^\ast$估计。LEARN-IMG和LEA…
2022-01-28 eess.IV
CloudFindr: A Deep Learning Cloud Artifact Masker for Satellite DEM Data
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对卫星DEM数据的云伪影去除难题，提出结合传统图像处理与U-Net深度学习的CloudFindr方法，无需多通道光谱图像即可在单通道DEM上生成云伪影掩膜，可服务于多领域地形相关应用。
2021-10-26 cs.CV cs.GR cs.LG
Edge effect removal in Fourier ptychographic microscopy via periodic plus smooth image decomposition
傅里叶重叠关联显微术（FPM）是一种具有高分辨率、宽视场和定量相位恢复等优点的计算成像技术。到目前为止，已经报道了一系列可能破坏FPM图像质量的系统错误。然而，边缘效应引起的一个不可察觉的伪影引起了我们的注意，也可能降低相位成像的精度与傅立叶空间中的十字形伪影。我们发现，在同一个子区域的重建相位的精度取决于不同的块处理的大小，由于不同的边缘条件，这限制了定量相位测量通过FPM。这种伪影是由快速傅里叶变换（FFT）的非周期性图像扩展引起的。为了消除边缘效应，提高图像的精度，本文分别提出了离散余弦变换（DCT）和完全傅里叶变换（PFT）两类相反的算法，并对其进行了系统的讨论。虽然这两种方法都可以消除FPM中的伪影，并可以扩展到其他傅立叶分析技术，PFT具有与传统FFT相当的效率。PFT算法将相位精度的标准偏差从0.08弧度提高到0.02弧度，提高了4倍。最后，我们总结和讨论了所有已报道的FPM系统误差在一个广义模型。
2023-03-28 eess.IV
Improving Lens Flare Removal with General Purpose Pipeline and Multiple Light Sources Recovery
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；DJI Innovations Co. Ltd.（大疆创新科技有限公司）；Nankai University（南开大学）
针对强光下拍摄产生的光晕伪影，本文通过改进ISP合成流程并设计基于照度凸平均的多光源恢复策略，提升光晕去除性能，并贡献多设备测试数据集验证泛化性。
2023-08-31 cs.CV eess.IV
A deep learning approach for marine snow synthesis and removal
本文提出一种基于深度学习的方法，通过GAN合成海洋雪样本构建配对数据集，并训练U-Net模型进行图像到图像转换以去除海洋雪，实验证明其高精度和鲁棒性优于现有方法。
2023-11-27 cs.CV cs.LG eess.IV
Combined Flicker-banding and Moire Removal for Screen-Captured Images
Shanghai Jiao Tong University, Shanghai, China（上海交通大学）；Central Media Technology Institute, Huawei, China（华为中央媒体技术研究所）；Department of XXX, University of YYY, Location, Country（YYY大学XXX系）；School of ZZZ, Institute of WWW, Location, Country（ZZZ学院WWW研究所）
本文提出CLEAR框架，通过联合去除屏幕捕获图像中的摩尔纹和闪烁条纹，提升图像质量。
2026-02-02 cs.CV eess.IV
Deep Image Debanding
University of Waterloo（滑铁卢大学）
带状或假轮廓是一种令人讨厌的视觉伪影，其影响在超高清晰度、高动态范围和宽色域视觉内容中甚至更加明显，这些视觉内容正变得越来越流行。由于用户将对质量的更高期望与这样的内容相关联，并且条带化导致视觉体验质量恶化，因此条带化去除或去条带化的领域已经变得至关重要。现有的去条带办法大多是知识驱动的。尽管深度学习在图像处理和计算机视觉的其他领域取得了广泛的成功，但数据驱动的去条带方法仍然令人惊讶地缺失。在这项工作中，我们首次尝试开发一种基于深度学习的图像条带伪影去除方法，并将其命名为深度去条带网络（deepDeband）。为了训练它，我们构建了一个包含51，490对相应原始和带状图像块的大规模数据集。性能评估表明，deepDeband成功地大大减少了图像中的带状伪影，在定量和视觉上都优于现有方法。
2021-10-16 cs.CV eess.IV
Deep Learning Assisted Outer Volume Removal for Highly-Accelerated Real-Time Dynamic MRI
Department of Electrical and Computer Engineering, University of Minnesota（电气与计算机工程系，明尼苏达大学）；Center for Magnetic Resonance Research, University of Minnesota（磁共振研究中心，明尼苏达大学）；Department of Imaging Physics, Delft University of Technology（成像物理系，代尔夫特理工大学）；HollandPTC, Delft, the Netherlands（HollandPTC，代尔夫特，荷兰）
本研究提出了一种基于深度学习的后处理外部体积去除（OVR）方法，通过消除非心脏区域的混叠伪影并结合物理驱动重建，实现了高度加速的实时心脏动态MRI的高质量成像。
2025-05-01 cs.AI cs.CV eess.IV
Unsupervised CT Metal Artifact Learning using Attention-guided beta-CycleGAN
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
减少金属伪影是计算机断层扫描（CT）中最重要的研究课题之一。随着用于图像重建的深度学习技术的进步，各种深度学习方法也被提出用于金属伪影去除，其中监督学习方法最受欢迎。然而，匹配的非金属和金属的图像对是很难获得在实际的CT采集。最近，提出了一种很有前途的无监督学习MAR使用特征解纠缠，但由此产生的网络架构是复杂的，难以处理大尺寸的临床图像。为了解决这个问题，在这里，我们提出了一个更简单，更有效的无监督MAR方法的CT。所提出的方法是基于一种新的beta-cycleGAN架构来自适当的特征空间解纠缠的最佳传输理论。另一个重要贡献是表明注意机制是有效去除金属伪影的关键因素。具体来说，通过添加卷积块注意模块（CBAM）层与适当的解纠缠参数，实验结果证实，我们可以得到更好的MAR，保留原始图像的细节纹理。
2020-07-07 cs.CV cs.LG eess.IV
Boosting the Performance of Video Compression Artifact Reduction with Reference Frame Proposals and Frequency Domain Information
Fudan University（复旦大学）；Bilibili（哔哩哔哩）
已经提出了许多基于深度学习的视频压缩伪影去除算法，以从低质量压缩视频中恢复高质量视频。最近，提出了利用多个相邻帧作为参考帧来挖掘时空信息的方法。然而，这些后处理方法直接利用相邻帧，而忽略了视频本身的信息，这是可以利用的。在本文中，我们提出了一种有效的参考框架建议策略来提高现有多框架方法的性能。此外，我们还引入了基于快速傅立叶变换的损失，进一步提高了恢复效果。实验结果表明，我们的方法取得了更好的保真度和感知性能MFQE 2.0数据集比国家的最先进的方法。我们的方法获得了NTIRE 2021高压缩视频质量增强挑战赛的第一和第二名，并在第三名中排名第二。
2021-05-31 cs.CV eess.IV
Deep Quantitative Susceptibility Mapping for Background Field Removal and Total Field Inversion
定量磁化率成像（QSM）利用MRI信号相位来估计局部组织磁化率，这已被证明有助于提供新的图像对比度，并作为异常组织的生物标志物。QSM需要解决一个具有挑战性的后处理问题：图像相位估计的滤波和相位与磁化率关系的反演。各种量化误差、鲁棒性限制和伪影限制了QSM临床翻译。为了克服这些限制，提出了一种基于深度学习的QSM重建方法，用于从输入MRI相位图像中同时执行背景场去除和磁化率反演。使用基于体内数据源和物理模拟的合成训练数据进行训练。该网络进行了定量测试，使用金标准的计算机标记的数据集对既定的背景场去除和QSM反演方法。此外，将该算法应用于QSM挑战数据和临床可行性加权成像（SWI）数据。当与金标准的计算机标签进行定量比较时，所提出的算法优于现有的可比背景场去除方法和QSM重建算法。QSM挑战数据和临床SWI数据表明，所提出的方法能够鲁棒地生成高质量的局部场和QSM，并具有更高的精度。
2019-05-28 eess.IV physics.med-ph
