CN113128583B - 基于多尺度机制和残差注意力的医学图像融合方法及介质 - Google Patents

基于多尺度机制和残差注意力的医学图像融合方法及介质 Download PDF

Info

Publication number
CN113128583B
CN113128583B CN202110406829.1A CN202110406829A CN113128583B CN 113128583 B CN113128583 B CN 113128583B CN 202110406829 A CN202110406829 A CN 202110406829A CN 113128583 B CN113128583 B CN 113128583B
Authority
CN
China
Prior art keywords
image
medical image
anatomical
functional
residual attention
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
Application number
CN202110406829.1A
Other languages
English (en)
Other versions
CN113128583A (zh
Inventor
李伟生
彭秀秀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110406829.1A priority Critical patent/CN113128583B/zh
Publication of CN113128583A publication Critical patent/CN113128583A/zh
Application granted granted Critical
Publication of CN113128583B publication Critical patent/CN113128583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明请求保护基于多尺度机制和残差注意力的医学图像融合方法及介质，所述方法包括步骤：S1将配准后的解剖型图像和功能型图像输入到大小为1×1的卷积核，增加输入特征的维数；S2将配准后的解剖型图像和功能型图像分别输入到两个分支的多尺度机制中，提取它们在不同尺度上的特征图，接着将提取的特征图输入到残差注意力网络中，进一步提取输入图像的特征；S3将提取的解剖图像和功能图像的特征图进行融合；S4将融合后的特征图通过三层卷积进行重构，得到最终的融和图像。本发明有效解决了医学图像融合方法在伪彩图像和灰度图像融合时的信息丢失以及颜色失真等问题。

Description

基于多尺度机制和残差注意力的医学图像融合方法及介质
技术领域
本发明属于图像处理技术领域，特别涉及基于多尺度残差注意的医学图像融合方法。
背景技术
医学图像融合方法属于计算机视觉领域，为了消除单模态图像在信息表达上的局限性，通过不同的融合算法将多模态医学图像进行融合。多尺度变换是对人类视觉的近似和模拟。常用的多尺度变换算法包括金字塔、小波、非下采样轮廓波、非下采样剪切波。
基于拉普拉斯金字塔的图像融合方法具有不同尺度和不同分辨率的显著特征，能够获得接近人类视觉特性的融合效果。但是基于金字塔的方法存在块效应，缺乏方向性，往往导致图像的边缘细节模糊。小波变换通过图像分解保存信息，可以提升图像的质量。但是它缺乏平移不变性特性，不能很好的表示各向异性特征。NSCT和NSST方法具有多方向性、各向异性和平移不变性。然而，NSCT、NSST细节捕捉能力较差，容易遗漏细微的细节信息，不能很好的表现图像的局部变化特征。这些传统方法都广泛应用于医学图像融合，但是也有缺陷存在。对于多尺度分解方法，其中一个问题就是很难确定分解级数，级数太小无法获得足够的空间信息。分解级数太大了就会导致融合图像时对噪声和误配准过于敏感。这些方法的模型较复杂，运行效率低。机器学习算法被应用于完成不同的图像融合任务，并取得了令人满意的结果。稀疏表示通过优化过完备字典和稀疏系数来实现图像融合。但是，稀疏表示需要足够大的训练样本空间，计算量和复杂度较高。近年来，随着深度学习的发展，基于深度网络的方法在图像领域取得了巨大的成功。深度学习方法具有捕获特征的能力，卷积神经网络可用于获取图像的特征和重建图像。基于卷积神经网络的医学图像融合算法(Multiscale DenseNet,MSDNet)提升了融合图像的细节。基于卷积神经网络的医学图像融合方法层出不穷。
虽然融合方法很多，但是在实际场景下仍然存在很多挑战，例如噪声影响，待融合图像本身质量，颜色失真，图像伪影问题等。当前的基于卷积神经网络的融合方法，虽然在保留纹理和颜色信息上有很大的提高，但是基于卷积神经网络的算法得到的融合图像通常过于平滑。
发明内容
本发明旨在解决以上现有技术的问题。提出了基于多尺度机制和残差注意力的医学图像融合方法及介质。本发明的技术方案如下：
一种基于多尺度机制和残差注意力的医学图像融合方法，其包括以下步骤：
S1、获取解剖型医学图像和功能型医学图像，将解剖型医学图像和功能型医学图像输入到大小为1×1的卷积核；
S2、将配准后的解剖型医学图像和功能型医学图像分别输入到两个分支的多尺度机制中，第一个分支提取它们在不同尺度上的特征图，第二个分支由多个卷积层构成，接着将提取的特征图输入到残差注意力网络中，再次提取解剖型医学图像和功能型医学图像的特征；
S3、将提取的解剖型医学图像和功能型医学图像的特征图进行融合；
S4、将融合后的特征图通过三层卷积进行重构，得到最终的医学融合图像。
进一步的，所述步骤S1的卷积核大小为1×1，将输入图像的维度增加到64维。
进一步的，所述步骤S2的特征图是通过两个分支的多尺度机制和残差注意力网络提取的，多尺度机制的第一个分支由不同大小的卷积核构成，第一个分支的目的是提取解剖型医学图像和功能型医学图像在不同尺度上的特征图，第二个分支为了提取更多解剖型医学图像和功能型医学图像的细节纹理信息，每两层卷积之间增加一个跳跃连接，残差注意力机制获取重要的特征，并避免网络梯度消失和爆炸，为了保留更多提取的特征图中的边缘信息和颜色信息，第一个分支中的每一层的特征图都与第二个分支的最后一层的特征图进行相加操作。
进一步的，所述残差注意力机制获取重要的特征具体包括：将提取的低层特征和相加操作后得到的深层特征使用乘法连接，并且相乘得到的特征图与第一层卷积得到的特征图之间使用跳跃连接。
进一步的，所述步骤S3的特征图融合是将获得的64维的解剖型图像和功能型图像的特征图进行融合，融合图像F通过叠加多尺度残差注意力网络提取出的特征图F1和F2得到，F1、F2的权重分别为基于1范数的w1、w2，融合图像F的计算公式为：
F＝w1*F1+w2*F2。
进一步的，所述步骤S4将融合后的特征图通过三层卷积进行重构，三层卷积的输出通道分别是64，32，1，最终得到解剖图像和功能图像的融合图像。
一种介质，该介质内部存储计算机程序，所述计算机程序被处理器读取时，执行上述任一项的方法。
本发明的优点及有益效果如下：
本发明将医学图像利用卷积神经网络，并且使用了两个分支多尺度机制和残差注意力。其中第一个多尺度机制用于提取两个类型图像在不同尺度上的特征图，第二个分支使用多个卷积层，每两层之间使用跳跃连接，提取了更多解剖型医学图像和功能型医学图像的细节纹理信息。残差注意力机制避免网络梯度消失和爆炸，并且用于获取特征图的重要特征，使重要的特征信息得到重点学习。另外，在第一层卷积和残差注意力机制之间增加一个跳跃连接，有利于保留源图像中的局部信息和全局信息。使用基于1范数的融合策略，融合的图像不仅可以更好的保留源图像中的纹理和边缘信息，还很好的保留了伪彩色图像中的颜色信息。并且使用基于卷积神经网络进行一对解剖型图像和功能型医学图像的融合，具有较低的时间开销。
附图说明
图1是本发明提供优选实施例基于多尺度机制和残差注意力的医学图像融合的流程图；
表1是与其他主流方法比较的结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图1所示，一种基于多尺度机制和残差注意力的医学图像融合方法，其包括以下步骤：
S1、获取解剖型医学图像和功能型医学图像，将解剖型医学图像和功能型医学图像输入到大小为1×1的卷积核；
S2、将配准后的解剖型医学图像和功能型医学图像分别输入到两个分支的多尺度机制中，第一个分支提取它们在不同尺度上的特征图，第二个分支由多个卷积层构成，接着将提取的特征图输入到残差注意力网络中，再次提取解剖型医学图像和功能型医学图像的特征；
S3、将提取的解剖型医学图像和功能型医学图像的特征图进行融合；
S4、将融合后的特征图通过三层卷积进行重构，得到最终的医学融合图像。
进一步的，所述步骤S1的卷积核大小为1×1，将输入图像的维度增加到64维。
进一步的，所述步骤S2的特征图是通过两个分支的多尺度机制和残差注意力网络提取的，多尺度机制的第一个分支由不同大小的卷积核构成，，第二个分支由多个卷积层构成，第一个分支的目的是提取解剖型医学图像和功能型医学图像在不同尺度上的特征图，第二个分支为了提取更多解剖型医学图像和功能型医学图像的细节纹理信息，每两层卷积之间增加一个跳跃连接，残差注意力机制获取重要的特征，并避免网络梯度消失和爆炸，为了保留更多提取的特征图中的边缘信息和颜色信息，第一个分支中的每一层的特征图都与第二个分支的最后一层的特征图进行相加操作。
进一步的，所述残差注意力机制获取重要的特征具体包括：将提取的低层特征和相加操作后得到的深层特征使用乘法连接，并且相乘得到的特征图与第一层卷积得到的特征图之间使用跳跃连接。
进一步的，所述步骤S3的特征图融合是将获得的64维的解剖型图像和功能型图像的特征图进行融合，融合图像F通过叠加多尺度残差注意力网络提取出的特征图F1和F2得到，F1、F2的权重分别为基于1范数的w1、w2，融合图像F的计算公式为：
F＝w1*F1+w2*F2。
进一步的，所述步骤S4将融合后的特征图通过三层卷积进行重构，三层卷积的输出通道分别是64，32，1，最终得到解剖图像和功能图像的融合图像。
一种介质，该介质内部存储计算机程序，所述计算机程序被处理器读取时，执行上述任一项的方法。
为了评估本发明的性能，选择了公开数据集进行实验，并将实验结果与其他七个图像融合算法进行了对比，如表1所示。表1中COT、GFF、ReLP是传统算法，CNN、NSSTPCNN、MSD、IFCNN是基于卷积神经网络的算法。指标QAC的值越小，则融合图像的质量越好；SF、AG、EI和VAR的值越大，则融合的图像的质量越好。从表1中可以看出，本算法在5个融合指标上都达到了最优值。
表1
Figure GDA0003702467530000051
Figure GDA0003702467530000061
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.基于多尺度机制和残差注意力的医学图像融合方法，其特征在于，包括以下步骤：
S1、获取解剖型医学图像和功能型医学图像，将解剖型医学图像和功能型医学图像输入到大小为1×1的卷积核；
S2、将配准后的解剖型医学图像和功能型医学图像分别输入到两个分支的多尺度机制中，第一个分支提取它们在不同尺度上的特征图，第二个分支由多个卷积层构成，接着将提取的特征图输入到残差注意力网络中，再次提取解剖型医学图像和功能型医学图像的特征；
S3、将提取的解剖型医学图像和功能型医学图像的特征图进行融合；
S4、将融合后的特征图通过三层卷积进行重构，得到最终的医学融合图像；
所述步骤S2的特征图是通过两个分支的多尺度机制和残差注意力网络提取的，多尺度机制的第一个分支由不同大小的卷积核构成，第一个分支的目的是提取解剖型医学图像和功能型医学图像在不同尺度上的特征图，第二个分支为了提取更多解剖型医学图像和功能型医学图像的细节纹理信息，每两层卷积之间增加一个跳跃连接，残差注意力机制获取重要的特征，并避免网络梯度消失和爆炸，为了保留更多提取的特征图中的边缘信息和颜色信息，第一个分支中的每一层的特征图都与第二个分支的最后一层的特征图进行相加操作。
2.根据权利要求1所述的基于多尺度机制和残差注意力的医学图像融合方法，其特征在于，所述步骤S1将输入图像的维度增加到64维。
3.根据权利要求2所述的基于多尺度机制和残差注意力的医学图像融合方法，其特征在于，所述残差注意力机制获取重要的特征具体包括：将提取的低层特征和相加操作后得到的深层特征使用乘法连接，并且相乘得到的特征图与第一层卷积得到的特征图之间使用跳跃连接。
4.根据权利要求1所述的基于多尺度机制和残差注意力的医学图像融合方法，其特征在于，所述步骤S3的特征图融合是将获得的64维的解剖型图像和功能型图像的特征图进行融合，融合图像F通过叠加多尺度残差注意力网络提取出的特征图F1和F2得到，F1、F2的权重分别为基于1范数的w1、w2，融合图像F的计算公式为：
F＝w1*F1+w2*F2。
5.根据权利要求4所述的基于多尺度机制和残差注意力的医学图像融合方法，其特征在于，所述步骤S4将融合后的特征图通过三层卷积进行重构，三层卷积的输出通道分别是64，32，1，最终得到解剖图像和功能图像的融合图像。
6.一种介质，该介质内部存储计算机程序，其特征在于，所述计算机程序被处理器读取时，执行上述权利要求1～5任一项的方法。
CN202110406829.1A 2021-04-15 2021-04-15 基于多尺度机制和残差注意力的医学图像融合方法及介质 Active CN113128583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110406829.1A CN113128583B (zh) 2021-04-15 2021-04-15 基于多尺度机制和残差注意力的医学图像融合方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110406829.1A CN113128583B (zh) 2021-04-15 2021-04-15 基于多尺度机制和残差注意力的医学图像融合方法及介质

Publications (2)

Publication Number Publication Date
CN113128583A CN113128583A (zh) 2021-07-16
CN113128583B true CN113128583B (zh) 2022-08-23

Family

ID=76776754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110406829.1A Active CN113128583B (zh) 2021-04-15 2021-04-15 基于多尺度机制和残差注意力的医学图像融合方法及介质

Country Status (1)

Country Link
CN (1) CN113128583B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170089B (zh) * 2021-09-30 2023-07-07 成都市第二人民医院 一种用于糖尿病视网膜病变分类的方法及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898173A (zh) * 2018-06-25 2018-11-27 重庆知遨科技有限公司 一种多尺度多特征的心电图医学图像融合及分类方法
CN111047516A (zh) * 2020-03-12 2020-04-21 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
CN111260653A (zh) * 2020-04-27 2020-06-09 腾讯科技（深圳）有限公司 一种图像分割方法、装置、存储介质和电子设备
CN111311518A (zh) * 2020-03-04 2020-06-19 清华大学深圳国际研究生院 基于多尺度混合注意力残差网络的图像去噪方法及装置
CN111461983A (zh) * 2020-03-31 2020-07-28 华中科技大学鄂州工业技术研究院 一种基于不同频度信息的图像超分辨率重建模型及方法
CN111681252A (zh) * 2020-05-30 2020-09-18 重庆邮电大学 一种基于多路径注意力融合的医学图像自动分割方法
WO2020222985A1 (en) * 2019-04-30 2020-11-05 The Trustees Of Dartmouth College System and method for attention-based classification of high-resolution microscopy images
CN111932555A (zh) * 2020-07-31 2020-11-13 商汤集团有限公司 一种图像处理方法及装置、计算机可读存储介质
CN112163994A (zh) * 2020-09-01 2021-01-01 重庆邮电大学 一种基于卷积神经网络的多尺度医学图像融合方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472642B (zh) * 2019-08-19 2022-02-01 齐鲁工业大学 基于多级注意力的细粒度图像描述方法及系统
CN111243052A (zh) * 2020-01-17 2020-06-05 上海联影智能医疗科技有限公司 图像重建方法、装置、计算机设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898173A (zh) * 2018-06-25 2018-11-27 重庆知遨科技有限公司 一种多尺度多特征的心电图医学图像融合及分类方法
WO2020222985A1 (en) * 2019-04-30 2020-11-05 The Trustees Of Dartmouth College System and method for attention-based classification of high-resolution microscopy images
CN111311518A (zh) * 2020-03-04 2020-06-19 清华大学深圳国际研究生院 基于多尺度混合注意力残差网络的图像去噪方法及装置
CN111047516A (zh) * 2020-03-12 2020-04-21 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
CN111461983A (zh) * 2020-03-31 2020-07-28 华中科技大学鄂州工业技术研究院 一种基于不同频度信息的图像超分辨率重建模型及方法
CN111260653A (zh) * 2020-04-27 2020-06-09 腾讯科技（深圳）有限公司 一种图像分割方法、装置、存储介质和电子设备
CN111681252A (zh) * 2020-05-30 2020-09-18 重庆邮电大学 一种基于多路径注意力融合的医学图像自动分割方法
CN111932555A (zh) * 2020-07-31 2020-11-13 商汤集团有限公司 一种图像处理方法及装置、计算机可读存储介质
CN112163994A (zh) * 2020-09-01 2021-01-01 重庆邮电大学 一种基于卷积神经网络的多尺度医学图像融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A. Liu, S. Li and S. Chen等.A Progressive Network Based on Residual Multi-scale Aggregation for Image Super-Resolution.《2019 IEEE Visual Communications and Image Processing (VCIP)》.2020, *
何凯等.基于多尺度特征融合与反复注意力机制的细粒度图像分类算法.《天津大学学报(自然科学与工程技术版)》.2020,(第10期), *
周涛等.医学影像疾病诊断的残差神经网络优化算法研究进展.《中国图象图形学报》.2020,(第10期), *

Also Published As

Publication number Publication date
CN113128583A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN114140353B (zh) 一种基于通道注意力的Swin-Transformer图像去噪方法及系统
Dong et al. Deep spatial–spectral representation learning for hyperspectral image denoising
Xu et al. External prior guided internal prior learning for real-world noisy image denoising
Zhang et al. Image restoration using joint statistical modeling in a space-transform domain
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
Dong et al. Image deblurring and super-resolution by adaptive sparse domain selection and adaptive regularization
Liu et al. Cross-SRN: Structure-preserving super-resolution network with cross convolution
Yokota et al. Simultaneous visual data completion and denoising based on tensor rank and total variation minimization and its primal-dual splitting algorithm
CN110223304B (zh) 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质
CN113362250B (zh) 一种基于双树四元小波与深度学习的图像去噪方法及系统
Kim et al. Defocus and motion blur detection with deep contextual features
CN115953303B (zh) 结合通道注意力的多尺度图像压缩感知重构方法及系统
CN111222564B (zh) 基于图像通道相关性的图像鉴别系统、方法、装置
CN114170167B (zh) 基于注意力引导上下文校正的息肉分割方法和计算机设备
CN114820341A (zh) 一种基于增强Transformer的图像盲去噪方法及系统
CN106504207A (zh) 一种图像数据处理方法
Liu et al. Single image super resolution techniques based on deep learning: Status, applications and future directions
CN113781308A (zh) 图像超分辨率重建方法、装置、存储介质及电子设备
CN112163994A (zh) 一种基于卷积神经网络的多尺度医学图像融合方法
CN110782406A (zh) 一种基于信息蒸馏网络的图像去噪方法及装置
CN113128583B (zh) 基于多尺度机制和残差注意力的医学图像融合方法及介质
CN115205136A (zh) 一种基于傅里叶先验的图像去雨方法
Zhu et al. Generative high-capacity image hiding based on residual CNN in wavelet domain
Lyu et al. NSTBNet: Toward a nonsubsampled shearlet transform for broad convolutional neural network image denoising
Wen et al. Progressive representation recalibration for lightweight super-resolution

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