CN112465701B - 显微图像的深度学习超分辨率重建方法、介质及电子设备 - Google Patents
显微图像的深度学习超分辨率重建方法、介质及电子设备 Download PDFInfo
- Publication number
- CN112465701B CN112465701B CN202011352881.5A CN202011352881A CN112465701B CN 112465701 B CN112465701 B CN 112465701B CN 202011352881 A CN202011352881 A CN 202011352881A CN 112465701 B CN112465701 B CN 112465701B
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- super
- resolution image
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种显微图像的深度学习超分辨率重建方法、介质及电子设备，所述方法包括以下步骤：对低分辨率图像进行小波分解，获得第一系数子图；将所述第一系数子图输入变分自编码器，获得高分辨率的第二系数子图；基于所述第二系数子图进行小波反变换重构得到高分辨率图像；将所述低分辨率图像输入到训练好的卷积神经网络中，并将重构的所述高分辨率图像以残差的方式加入到该卷积神经网络，通过上采样得到与高分辨率图像尺寸相同的超分辨率图像。与现有技术相比，本发明具有重建精度高、方便等优点。
Description
技术领域
本发明涉及显微图像超分辨率技术领域，尤其是涉及一种基于高内涵成像的细胞耐药性检测方法、介质及电子设备。
背景技术
自1590年世界上最早显微镜诞生以来，显微镜分辨率随技术进步不断提升。17世纪科学家在光学显微镜下能够观察到红血细胞、细菌、酵母菌以及游动的精子。1873年德国物理学家恩斯特·阿贝第一次发现光学成像具有衍射限制现象，即显微技术受制于光线波长限制，0.2um成为显微镜难以突破的瓶颈。自20世纪八九十年开始，埃里克·白兹格教授、威廉姆·艾斯科·莫尔纳尔教授和斯特凡·W·赫尔教授经过不懈努力突破了衍射极限，建成了可以观察纳米级的超分辨率荧光显微镜。而相对于改进设备的成像方式的方法提升图像的分辨率，Tsai和Huang于1984年提出了超分辨率重建的新概念，即将同一场景下获得的低分辨率图像序列作为样本，重建一幅空间分辨率较高的图像。随后，学者们从不同的研究角度提出了许多算法。根据不同的重建方法，超分辨率重建算法可以分为三类：基于插值、基于重构和基于学习。现有基于插值的超分辨率重建处理方式中，在对低分辨率的图像进行插值时，会导致视觉效果变差，产生马赛克，影响高分辨率图像的视觉效果；如果进一步对高分辨率图像中的马赛克和毛刺等噪声进行修复，又可能会丢失图像细节，也会影响高分辨率图像的视觉效果。
随着近年来智能算法的迅猛发展，其在各领域上都得到了一定应用。如申请号为CN201610485953.0的发明公开了高分辨X射线、γ射线、电子射线显微镜技术。但因射线获取的危险性、装置设计的精密性造成设备成本高昂等问题，从经济性角度限制了电子显微镜以较高精度水平应用于辅助疾病的临床诊断。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种重建精度高、方便的显微图像的深度学习超分辨率重建方法、介质及电子设备。
本发明的目的可以通过以下技术方案来实现：
一种显微图像的深度学习超分辨率重建方法，包括以下步骤：
对低分辨率图像进行小波分解，获得第一系数子图；
将所述第一系数子图输入变分自编码器，获得高分辨率的第二系数子图；
基于所述第二系数子图进行小波反变换重构得到高分辨率图像；
将所述低分辨率图像输入到训练好的卷积神经网络中，并将重构的所述高分辨率图像以残差的方式加入到该卷积神经网络，通过上采样得到与高分辨率图像尺寸相同的超分辨率图像。
进一步地，将低分辨率图像进行最近邻插值得到与高分辨率图像尺寸相同的图像LRinter后，将LRinter进行小波分解得到多个所述第一系数子图。
进一步地，采用快速小波变换算法进行小波分解。
进一步地，所述变分自编码器包括一个编码器和一个解码器，解码器的隐向量z与编码器输出的均值μ和方差δ间的关系为z＝μ+δ☉ε，ε～N(0,I)。
进一步地，所述卷积神经网络训练时，采用相同视野中不同分辨率的高低分辨率图像对作为训练数据集。
进一步地，所述训练数据集的获取方式如下：
使用高通量共聚焦显微镜设备根据实际场景调节设备参数后，通过改变不同的分辨率参数得到批量采集的相同视野、不同分辨率的高低分辨率显微图像对，形成所述训练数据集。
进一步地，所述卷积神经网络包括卷积部分和反卷积部分，卷积部分的输出与输入的低分辨率图像叠加后作为所述反卷积部分的输入，所述高分辨率图像与反卷积部分输出的上采样特征图叠加后获得所述超分辨率图像。
进一步地，所述卷积部分包括1个卷积层和多个残差模块，每个残差模块包括多个卷积层，且每层卷积层后都设置有Relu激活函数。
本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如所述显微图像的深度学习超分辨率重建方法的指令。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如所述显微图像的深度学习超分辨率重建方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明将小波变换得出的高频信息通过变分自编码器的丰富，再将其输入到卷积神经网络中，能得到更好的分辨率细节，有效提高重建精度。
2、本发明构建的卷积神经网络包括卷积部分和反卷积部分，卷积部分的输出与输入的低分辨率图像叠加后作为反卷积部分的输入，同时将高分辨率图像以残差方式与反卷积部分输出的上采样特征图叠加，相比与生成对抗网络训练更加稳定。
3、本发明容易实现，成本低。
附图说明
图1为本发明超分辨率重建的流程框图；
图2为本发明的网络框架图；
图3为经小波分解成系数图像的效果图；
图4为实施例中低分辨率原图；
图5为双三次插值重建的效果图；
图6为EDSR算法重建的效果图；
图7为本发明实施例中重建的效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例提供一种显微图像的深度学习超分辨率重建方法，结合了结合小波变换及变分自编码器，该方法包括以下步骤：
(1)对低分辨率图像LR进行小波分解，获得第一系数子图LRsub；
(2)将第一系数子图LRsub输入变分自编码器，获得高分辨率的第二系数子图SRsub；
(3)基于第二系数子图SRsub进行小波反变换重构得到高分辨率图像SRvae；
(4)将低分辨率图像LR输入到训练好的卷积神经网络中，并将重构的高分辨率图像SRvae以残差的方式加入到该卷积神经网络，通过上采样得到与高分辨率图像尺寸相同的超分辨率图像。
所述卷积神经网络训练时，采用相同视野中不同分辨率的高低分辨率图像对作为训练数据集。本实施例中，数据集的获取方式为：使用高通量共聚焦显微镜设备根据实际场景调节曝光、视野大小并调整焦距等参数后，通过改变不同的分辨率参数得到批量采集的相同视野、不同分辨率的高低分辨率显微图像对。
本实施例中，卷积神经网络训练时的目标函数为：
其中PSNR为评价两图像相似程度的评价指标，其具体的公式为：
其中MSE为均值平方差，Pmax为像素最大值。
对低分辨率图像进行小波分解具体为：
(1-1)将低分辨率图像LR进行最近邻插值得到与高分辨率图像尺寸相同的图像LRinter；
(1-2)将LRinter进行小波分解得到多个第一系数子图LRsub。
本实施例中，第一系数子图为4个，子图效果如图3所示。
本实施例采用快速小波变换算法进行小波分解，具体公式为：
其中，和/>分别为低通和高通分解滤波器。
所述变分自编码器包括一个编码器((μ，δ)＝f(x))和一个解码器(r＝g(z))，其中z＝μ+δ☉ε，ε～N(0,I)，将LRsub输入编码器中，得到的变分自编码器的损失函数为：
其中μ和δ分别为编码器输出的均值和方差，pθ(HR|z)为目标图像的后验概率，qΦ(z|LR)为隐变量的先验概率。
本实施例中构建的卷积神经网络模型包括两个部分，一个是卷积部分，包括1个卷积层和16个残差模块，其中每个残差模块中有2个卷积层，且每层卷积层后都通过Relu激活函数，每一层卷积层和激活函数可以表示为：
其中为激活函数，W分别为权重参数，W为n个m×3×3的卷积核。
另一部分为反卷积部分，一共两层，首先通过卷积层得到H*W*r*r维度的特征图，然后通过亚像素卷积层将特征图中的每个位置所有通道组合成一个新的块，将所有位置得到的块组合起来得到超分辨率的图像，其中H和W为原图像尺寸，r为放大的尺度。
超分辨率图像的具体获取过程包括：将低分辨率图像LR输入卷积神经网络模型，并将LR与卷积层的最后输出相加，将变分自编码器得到重构高分辨率图像SRvae与反卷积层最后得到的上采样特征图相加，获得最终的超分辨率图像SR。
本实施例通过与传统的双三次插值算法和基于深度学习的EDSR算法的效果进行比较验证其有效性，为了方便比较将图像中的某一相同视野放大到相同尺度进行比较，图4为输入的低分辨率图像，图5为双三次插值后的效果，其PSNR/SSIM为24.62/0.826，图6为EDSR算法的重建效果图，其PSNR/SSIM为28.16/0.868，图7为本发明提出的方法的重建效果图，其PSNR/SSIM为29.98/0.879。
上述重建方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述显微图像的深度学习超分辨率重建方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种显微图像的深度学习超分辨率重建方法，其特征在于，包括以下步骤：
对低分辨率图像进行小波分解，获得第一系数子图；
将所述第一系数子图输入变分自编码器，获得高分辨率的第二系数子图；
基于所述第二系数子图进行小波反变换重构得到高分辨率图像；
将所述低分辨率图像输入到训练好的卷积神经网络中，并将重构的所述高分辨率图像以残差的方式加入到该卷积神经网络，通过上采样得到与高分辨率图像尺寸相同的超分辨率图像。
2.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，将低分辨率图像进行最近邻插值得到与高分辨率图像尺寸相同的图像LRinter后，将LRinter进行小波分解得到多个所述第一系数子图。
3.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，采用快速小波变换算法进行小波分解。
4.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述变分自编码器包括一个编码器和一个解码器，解码器的隐向量z与编码器输出的均值μ和方差δ间的关系为z＝μ+δ☉ε，ε～N(0,I)。
5.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述卷积神经网络训练时，采用相同视野中不同分辨率的高低分辨率图像对作为训练数据集。
6.根据权利要求5所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述训练数据集的获取方式如下：
使用高通量共聚焦显微镜设备根据实际场景调节设备参数后，通过改变不同的分辨率参数得到批量采集的相同视野、不同分辨率的高低分辨率显微图像对，形成所述训练数据集。
7.根据权利要求1所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述卷积神经网络包括卷积部分和反卷积部分，卷积部分的输出与输入的低分辨率图像叠加后作为所述反卷积部分的输入，所述高分辨率图像与反卷积部分输出的上采样特征图叠加后获得所述超分辨率图像。
8.根据权利要求7所述的显微图像的深度学习超分辨率重建方法，其特征在于，所述卷积部分包括1个卷积层和多个残差模块，每个残差模块包括多个卷积层，且每层卷积层后都设置有Relu激活函数。
9.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述显微图像的深度学习超分辨率重建方法的指令。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述显微图像的深度学习超分辨率重建方法的指令。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011352881.5A CN112465701B (zh) | 2020-11-26 | 2020-11-26 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
| PCT/CN2021/131344 WO2022111368A1 (zh) | 2020-11-26 | 2021-11-18 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011352881.5A CN112465701B (zh) | 2020-11-26 | 2020-11-26 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465701A CN112465701A (zh) | 2021-03-09 |
| CN112465701B true CN112465701B (zh) | 2023-08-29 |
Family
ID=74808882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011352881.5A Active CN112465701B (zh) | 2020-11-26 | 2020-11-26 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112465701B (zh) |
| WO (1) | WO2022111368A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465701B (zh) * | 2020-11-26 | 2023-08-29 | 上海健康医学院 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
| CN114252423B (zh) * | 2021-12-24 | 2024-02-02 | 汉姆德(宁波)智能医疗科技有限公司 | 超分辨显微镜完全采样图像的生成方法、装置 |
| CN115471398B (zh) * | 2022-08-31 | 2023-08-15 | 北京科技大学 | 图像超分辨率方法、系统、终端设备及存储介质 |
| CN115861062A (zh) * | 2022-11-29 | 2023-03-28 | 安徽大学 | 多尺度学习小波注意力机制网络及图像超分辨率重建方法 |
| CN116128727B (zh) * | 2023-02-02 | 2023-06-20 | 中国人民解放军国防科技大学 | 极化雷达图像超分辨方法、系统、设备及介质 |
| CN115861081B (zh) * | 2023-02-27 | 2023-05-23 | 耕宇牧星(北京)空间科技有限公司 | 一种基于阶梯型多级小波网络的图像超分辨率重建方法 |
| CN116309073B (zh) * | 2023-03-24 | 2023-12-29 | 之江实验室 | 一种基于深度学习的低对比度条纹sim重建方法和系统 |
| CN117314754B (zh) * | 2023-11-28 | 2024-03-19 | 深圳因赛德思医疗科技有限公司 | 一种双摄超光谱图像成像方法、系统及双摄超光谱内窥镜 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
| CN109636716A (zh) * | 2018-10-29 | 2019-04-16 | 昆明理工大学 | 一种基于小波系数学习的图像超分辨率重建方法 |
| KR20190105769A (ko) * | 2018-03-06 | 2019-09-18 | 한국과학기술원 | 딥 러닝을 이용한 양안기반 초해상 이미징 방법 및 그 장치 |
| CN110706154A (zh) * | 2019-08-28 | 2020-01-17 | 西北大学 | 一种基于层次化残差神经网络的图像超分辨率方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE202016009102U1 (de) * | 2015-02-19 | 2022-04-22 | Magic Pony Technology Limited | Verbesserung visueller Daten mittels gestufter Faltungen |
| TWI624804B (zh) * | 2016-11-07 | 2018-05-21 | 盾心科技股份有限公司 | 利用超解析重建法生成高解析度影像的方法與系統 |
| CN108734660A (zh) * | 2018-05-25 | 2018-11-02 | 上海通途半导体科技有限公司 | 一种基于深度学习的图像超分辨率重建方法及装置 |
| CN112465701B (zh) * | 2020-11-26 | 2023-08-29 | 上海健康医学院 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
-
2020
- 2020-11-26 CN CN202011352881.5A patent/CN112465701B/zh active Active
-
2021
- 2021-11-18 WO PCT/CN2021/131344 patent/WO2022111368A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
| KR20190105769A (ko) * | 2018-03-06 | 2019-09-18 | 한국과학기술원 | 딥 러닝을 이용한 양안기반 초해상 이미징 방법 및 그 장치 |
| CN109636716A (zh) * | 2018-10-29 | 2019-04-16 | 昆明理工大学 | 一种基于小波系数学习的图像超分辨率重建方法 |
| CN110706154A (zh) * | 2019-08-28 | 2020-01-17 | 西北大学 | 一种基于层次化残差神经网络的图像超分辨率方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于残差神经网络的高强度运动超分辨率图像重构;程家星;科学技术与工程;第18卷(第24期);118-123页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022111368A1 (zh) | 2022-06-02 |
| CN112465701A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465701B (zh) | 显微图像的深度学习超分辨率重建方法、介质及电子设备 | |
| CN110570353B (zh) | 密集连接生成对抗网络单幅图像超分辨率重建方法 | |
| CN107154023B (zh) | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 | |
| CN106408524B (zh) | 基于二维图像辅助的深度图像增强方法 | |
| Ma et al. | PathSRGAN: multi-supervised super-resolution for cytopathological images using generative adversarial network | |
| Fu et al. | Residual scale attention network for arbitrary scale image super-resolution | |
| Yang et al. | Image super-resolution based on deep neural network of multiple attention mechanism | |
| Tang et al. | Generative adversarial network-based sinogram super-resolution for computed tomography imaging | |
| Zhang et al. | Deformable and residual convolutional network for image super-resolution | |
| Zhou et al. | High dynamic range imaging with context-aware transformer | |
| Wang et al. | Resolution enhancement in microscopic imaging based on generative adversarial network with unpaired data | |
| Cheng et al. | Fast and lightweight network for single frame structured illumination microscopy super-resolution | |
| Wu et al. | Deep learning-based image super-resolution restoration for mobile infrared imaging system | |
| Li et al. | Deep adversarial network for super stimulated emission depletion imaging | |
| CN111899166A (zh) | 一种基于深度学习的医学高光谱显微图像超分辨重构方法 | |
| CN116630460A (zh) | 源直线扫描轨迹的探测器行向微分高质量图像重建方法 | |
| Thuan et al. | Edge-focus thermal image super-resolution using generative adversarial network | |
| Chudasama et al. | Computationally efficient progressive approach for single-image super-resolution using generative adversarial network | |
| Wang et al. | Deep learning super‐resolution electron microscopy based on deep residual attention network | |
| Geng et al. | FFusionCGAN: An end-to-end fusion method for few-focus images using conditional GAN in cytopathological digital slides | |
| CN114897693A (zh) | 基于数学成像理论和生成对抗网络的显微图像超分辨方法 | |
| CN110570355B (zh) | 多尺度自动聚焦超分辨率处理系统和方法 | |
| CN115689880A (zh) | 一种基于fsrcnn的荧光显微图像超分辨方法 | |
| Yang et al. | Deep networks for image super-resolution using hierarchical features | |
| Ma et al. | Reconstruct high-resolution multi-focal plane images from a single 2D wide field image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |