- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
对数变换域中基于跳跃连接的扩张残差学习用于血流激光散斑成像的实时去噪
摘要： 激光散斑对比成像（LSCI）是一种用于绘制血流图的大视场非接触式成像技术。尽管基于块匹配和三维滤波（BM3D）的去噪方法能显著提高其信噪比（SNR），但处理时间难以实现实时去噪。此外，在存在显著噪声和伪影的情况下，仅用少量原始散斑图像仍难以获得可接受的SNR水平。前馈式去噪卷积神经网络（DnCNN）在自然图像去噪中达到最先进性能且能通过GPU高效加速，但由于LSCI原始散斑对比图像的噪声分布不均匀，其学习效果较差。因此，我们提出在log变换域训练LSCI专用DnCNN以提高训练精度，使峰值信噪比（PSNR）提升5.13 dB。为缩短推理时间并提升去噪性能，我们进一步提出具有跳跃连接的扩张深度残差学习网络（DRSNet）。采用五幅原始散斑图像的DRSNet图像质量评估优于使用二十幅原始散斑图像的空间平均去噪。在NVIDIA 1070 GPU上，DRSNet对486×648像素血流图像的去噪耗时35毫秒（即每秒28帧），比DnCNN快约2.5倍。在测试集中，DRSNet的PSNR也比DnCNN提高0.15 dB。该网络在生物医学血流实时监测方面展现出良好应用潜力。
关键词： 血流、卷积神经网络（CNN）、激光散斑对比成像（LSCI）、扩张卷积、跳跃连接
更新于2025-09-16 10:30:52
-
利用多尺度卷积神经网络学习深度超分辨率
摘要： 成像技术是计算机视觉领域发展最快的方向，其分辨率已达到新高度。超分辨率技术能从低分辨率输入中提升图像清晰度，有助于精准分析和提取数据。近年来卷积神经网络已成为计算机视觉的主流方法。现有基于CNN的超分辨率模型要么直接重建低分辨率输入并在最后一层提升分辨率，要么先将低分辨率输入放大至高分辨率(HR)再重建获取目标输出。这些模型存在两大缺陷：计算资源消耗大和信息丢失问题。本文采用渐进式训练策略提出高效超分辨率模型，该策略使网络能逐步放大并重建每一步的LR图像，从而避免信息丢失(解决第二个问题)。此外我们优化了网络层数，通过添加残差网络和跳跃连接来降低训练难度(解决第一个问题)。该模型不仅性能与现有先进方法相当，还显著降低了计算成本。
关键词： 跳跃连接、深度网络、图像处理、超分辨率
更新于2025-09-09 09:28:46
-
[IEEE 2018国际三维视觉会议(3DV) - 维罗纳(2018.9.5-2018.9.8)] 2018年国际三维视觉会议(3DV) - 学习三维形状的层次化潜变量模型
摘要： 我们提出变分形状学习器（VSL）——一种以无监督方式学习体素化三维形状潜在结构的生成模型。通过跳跃连接机制，该模型能成功学习并推断物体的潜在层次化表征。此外，只需对VSL的潜在概率流形进行采样即可轻松生成逼真的三维物体。研究表明，这个生成模型可通过端到端训练从二维图像实现单图三维模型检索。实验从定量和定性两方面证明，所提模型在多项任务中展现出更优或媲美各类前沿方案的泛化能力提升。
关键词： 3D形状、生成模型、变分推断、无监督学习、跳跃连接
更新于2025-09-09 09:28:46
-
[IEEE 2018年第24届国际模式识别大会(ICPR) - 中国北京(2018.8.20-2018.8.24)] 2018年第24届国际模式识别大会(ICPR) - 用于文档图像修复的跳跃连接深度卷积自编码器
摘要： 图像去噪与去模糊是文档图像处理任务中两项关键的复原工作。作为处理流程的预处理阶段，去噪和去模糊的质量会显著影响后续字符检测与识别等任务的效果。本文提出一种新颖的神经网络方法用于文档图像复原，我们将其命名为"跳跃连接深度卷积自编码器(SCDCA)"。该网络由多层卷积层构成，每层后接批量归一化层和泄漏修正线性单元(LeakyReLU)激活函数。受残差学习思想启发，我们在网络中采用两种跳跃连接：一种是卷积层间的恒等映射，另一种用于连接输入与输出。通过这些连接，网络学习的是噪声图像与清晰图像之间的残差而非普通变换函数。我们在一个开放且具有挑战性的文档图像数据集上对算法进行了实证评估，并采用光学字符识别(OCR)测试来检验复原效果。实验结果表明，与多种前沿方法相比，所提算法兼具有效性与高效性。
关键词： 残差学习、卷积自编码器、去噪、去模糊、跳跃连接、深度学习、文档图像修复
更新于2025-09-09 09:28:46