《Rigid and Non-rigid Motion Artifacts Reduction in X-ray CT using Attention Module》代码 复现与简单讲解

最新推荐文章于 2026-01-04 10:29:51 发布
原创 最新推荐文章于 2026-01-04 10:29:51 发布 · 515 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉 #人工智能 #图像处理 #深度学习 #神经网络

论文请参考上篇博客

代码地址：github

任务：CBCT 运动伪影去除

运行

1、github 下载解压

2、源目录下创建两个文件夹

3、下载权重放到log，下载数据放到data内，xu'ya

权重：MEGA ，log - Google 云端硬盘

数据：data - Google 云端硬盘

4、运行

python train.py
python test.py

5、结果

最低0.47元/天 解锁文章
读论文《Rigid and non-rigid motion artifact reduction in X-ray CT using attention module》
buganything的博客
06-26 1144
论文题目：利用注意模块减少x射线CT的刚性和非刚性运动伪影CT 运动伪影去除摘要：运动伪影是影响计算机断层扫描(CT)图像诊断性能的主要因素。特别是，当成像系统需要较长的扫描时间时，例如牙科CT或锥束CT (CBCT)应用中，患者会产生刚性和非刚性运动，运动伪影变得相当严重。为了解决这个问题，我们提出了一种新的实时运动伪影减少技术，该技术利用带有注意力模块的深度残差网络。我们的注意力模块是根据残差特征的重要性，通过放大或衰减残差特征来增加模型容量的。
论文阅读：CVPR2016 Paper list
热门推荐
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
ECCV 2018 论文下载及分析（774篇全）
愿十四亿神州尽舜尧
09-16 2万+
ECCV2018 收录论文整理，共774篇。 百度云链接：https://pan.baidu.com/s/1Mg0Kw9bepUK6_vqqVSOjNQ ，密码：mh97。 以下是下载后的文件： 以下是文件名对应的论文名称：   序号 文件名 论文题目 1 Aaron_Gokaslan_Improving_Shape_Deformation...
刚性变换（rigid deformation）与非刚性变换（non-rigid deformation）
HeLoZhaoFei的博客
03-07 1万+
刚性变换： 图像的平移加旋转，图像形状不变，得到的变换称为刚性变换； 非刚性变换： 就是比这更复杂的变换，如伸缩，仿射，透射，多项式等一些比较复杂的变换； 例如ps中自由变换命令里面的斜切、扭曲、透视这些功能就属于非刚性变换； 参考：https://zhidao.baidu.com/question/751922356386576084.html ...
Respiratory sound analysis in the era of evidence-based medicine and the world of medicine 2.0 译文
weixin_53937854的博客
09-20 930
目的：本文介绍了呼吸音分析方法的最新技术、科学出版物和正在进行的研究。方法和材料：使用Pubmed和个人经验对当前医学和技术文献进行叙述性综述。结果：我们概述了目前用于收集听诊声音的各种技术，并提供了已知病理声音的物理描述，为其开发了自动检测工具。现代工具基于人工智能和人工神经网络、模糊系统和遗传算法等技术。结论：下一步将包括寻找新的标记，以提高决策辅助算法和工具的效率。
基于梯度的快速准确头部运动补偿方法在锥束CT中的应用|文献速递-基于深度学习的病灶分割与数据超分辨率
weixin_38594676的博客
11-05 965
总之，本文通过提出一种稳健的运动估计方法，在提高效率和准确性的同时解决了时间紧迫场景中的关键挑战，为CBCT在临床工作流程中的集成提供了支持。运动估计本身运行在128 × 128 × 128的网格上，重建信号的间距为2毫米，但基于图像的结果计算在更高分辨率的信号上，最终运动补偿重建的体素大小为1毫米，共256 × 256 × 256体素。上排显示平面内运动参数（tx，ty 和 rz）的运动曲线，下排显示平面外运动参数（tz，rx 和 ry）的运动曲线，所述平面是指源旋转的平面。
机器人学习--Hans Moravec在斯坦福博士论文1980年-Obstacle Avoidance and Navigation in the Real World by a Seeing Ro
GGY1102的博客
11-25 6015
Hans Moravec，占用栅格地图的发明人。 Obstacle Avoidance and Navigation in the Real World by a Seeing Robot Rover Hans Moravec March 1980 Computer Science Department Stanford University (Ph.D. thesis) Preface The Stanford AI lab cart is a card-table sized mob..
Burst photography for high dynamic range and low-light imaging on mobile cameras
u013049912的博客
12-18 3673
Abstract Cell phone cameras have small apertures, which limits the number of photons they can gather, leading to noisy images in low light. They also have small sensor pixels, which limits the number...
ECCV2016 paper list （完整版）
mxs30443的专栏
01-03 2万+
摘自ECCV2016的会议论文：Oral Session 1A: Detection, Recognition & Retrieval Tuesday, October 11; 09:00 – 10:00 Chairs: Bernt Schiele (MPI), Vincent Lepetit (TU Graz)O-1A-01. pdf_icon_1  CNN Image Retrieval L
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
SPM How-tos SPM预处理及统计分析指南
weixin_34041003的博客
01-10 2679
Source: SPM How-tos NOTE: The manual is detailed but too long to edit. Just pasted here for further consulting. This web-page contains excerpts from the SPM user-group's burster. SPM users around th...
基于计算机视觉的柔性外骨骼地形识别
专业代码设计
01-04 906
本文研究基于计算机视觉的柔性外骨骼地形识别技术，旨在提高外骨骼设备的适应性和实用性。通过分析柔性外骨骼技术发展现状，指出当前设备在复杂地形中适应性不足的问题。研究采用计算机视觉和深度学习技术，设计系统架构并进行软硬件实现，重点解决地形特征提取、分类识别等关键技术难题。实验验证表明，该系统能有效提升地形识别准确率和实时性，为外骨骼在康复、救援等领域的应用提供了新思路。研究结果为柔性外骨骼的智能化发展提供了重要参考。
深度学习之目标检测(1)
weixin_48495360的博客
01-01 799
本文系统阐述了目标检测的基础实现原理及RCNN方法。核心思路是将目标检测分解为分类和回归任务：通过IoU交并比划分正负样本（1:3比例），使用先验框作为基准进行边界框回归。训练阶段采用迁移学习+SVM分类器，回归模型预测4个偏移量；推理阶段通过分类概率筛选候选框，利用回归偏移量解码预测框位置，最后用非极大值抑制(NMS)去除重复框。文章详细解析了RCNN的实现流程，包括样本划分、模型训练、推理解码等关键步骤，并强调了不同阶段阈值的应用，为理解目标检测基础原理提供了清晰框架。
目标检测系列之YOLOv11——v8模型的继续改进
weixin_49951631的博客
01-01 896
YOLOv11的迭代升级，再次体现了Ultralytics团队“精细化优化、实用化导向”的研发思路。没有颠覆性的架构变革，而是通过C3K2模块、嵌入式注意力机制、轻量化检测头等核心模块的优化，实现了性能的稳步提升，同时最大程度降低了开发者的迁移成本。这种迭代模式，既保障了模型的成熟度与稳定性，又能快速响应工业场景的实际需求。未来，随着YOLOv11生态的不断完善，其在多模态检测、小样本学习、联邦学习等方向的拓展值得期待。
基于计算机视觉的课堂行为编码研究
专业代码设计
01-04 567
本文探讨了基于计算机视觉的课堂行为编码研究。传统人工编码方法效率低且主观性强，难以满足现代教育需求。研究提出利用计算机视觉技术，通过视频捕获、预处理、深度学习模型训练等环节实现自动化课堂行为分析。实验结果表明，该方法显著提高了编码效率和准确性（达90%以上），为教学质量评估提供客观依据。研究推动了教育信息化发展，为构建智慧教育环境提供技术支持。未来将进一步优化模型性能，拓展应用场景。
【CVPR】3D Object Detection with Geometry-Aware Diffusion Features
Hali_Botebie的博客
12-30 312
3DIFFTECTION是一个“先赋予几何感知，再进行检测微调”​ 的两阶段框架。它巧妙地利用无需3D标注的图片（如视频帧）​ 来教会一个扩散模型“理解3D几何”，然后将这个拥有了3D“大脑”的模型变成一个强大的3D目标检测器。
目标跟踪：在动态视频中“锁定”你
maqh_csdn的博客
12-29 1031
目标跟踪不是每一帧独立的“判断题”，而是跨越时间的“连续推理” 。它通过运动预测与外观记忆对抗遮挡与形变，在混乱的动态世界中实现目标的“身份锁定”，完成从静态识别到时序关联的认知进化。
【经典论文阅读】完整梳理 FCOS (Fully Convolutional One-Stage Object Detection)
最新发布
吾在学习路的博客
01-04 492
本文提出了一种无锚框的目标检测方法FCOS，通过逐像素预测边界框和类别，避免了传统检测器中锚框设计的复杂性。核心创新在于引入中心度（center-ness）分支，评估像素预测的质量，有效抑制边缘区域的低质量预测。实验表明，FCOS在COCO数据集上性能超越基于锚框的方法（如RetinaNet），且具有更高的召回率和回归精度。该方法统一了目标检测与语义分割的密集预测范式，为检测任务提供了更简洁高效的解决方案。可视化分析和消融实验验证了中心度机制的关键作用，以及该方法处理重叠目标和多尺度检测的有效性。
目标检测与跟踪 （7）- YOLOv8 ONNX量化模型部署指南
Techblog of HaoWANG
12-31 496
本文介绍了YOLOv8模型从训练到ONNX量化部署的完整流程。主要内容包括：1）环境准备与模型导出为ONNX格式；2）ONNX模型的FP16/INT8量化方法；3）使用ONNXRuntime和TensorRT的部署实现；4）性能优化策略如IO绑定和批处理；5）完整的部署脚本和注意事项。该方案支持静态和动态输入尺寸，提供多种量化精度选择，并包含基准测试功能，适用于边缘计算和嵌入式设备部署场景。
《DynamicFusion: Reconstruction and Tracking of Non-Rigid Scenes in Real-Time》
03-21
<think>嗯，用户想了解DynamicFusion论文的实现细节，特别是关于实时非刚体场景重建与跟踪的技术。首先，我需要回忆一下DynamicFusion的相关内容。DynamicFusion是由Richard Newcombe等人在2015年提出的，应该属于SLAM和三维重建领域的重要工作。主要贡献是首次实现了非刚性场景的实时三维重建，结合了深度相机（比如Kinect）的数据和动态变形场的估计。 接下来，用户可能需要了解核心算法流程。我记得DynamicFusion的关键在于将刚体配准（如KinectFusion）扩展到非刚体，通过变形图（Deformation Graph）来表示场景的形变。变形图中的节点带有旋转和平移参数，用来描述周围区域的变形。然后，系统通过优化能量函数来同时估计几何模型和变形场，这应该涉及到ICP（迭代最近点）算法和非线性优化方法，比如高斯-牛顿法或Levenberg-Marquardt算法。 然后是实时性方面的技术，可能包括GPU加速，特别是使用CUDA进行并行计算，处理深度数据的积分和变形图的更新。此外，可能用到了层次化优化策略，先优化局部区域再全局调整，以降低计算复杂度。还有自适应节点更新，根据形变程度调整变形图的节点密度，保证实时性能。 关于非刚体跟踪，可能需要结合稠密光流法和惯性数据，或者使用稀疏特征点跟踪来辅助变形场的估计。此外，拓扑变化处理也是一个难点，DynamicFusion可能采用几何分割和渐进变形场更新的方法来处理拓扑结构的变化，比如物体的合并或分离。 在实现细节方面，深度数据预处理很重要，比如去噪、背景剔除和体素网格生成。变形图的构建需要考虑节点的分布和连接方式，可能基于几何特征密度进行自适应采样。能量函数的构建可能包括数据项（深度匹配）、正则项（形变平滑性）和约束项（刚性先验）。优化过程可能使用GPU并行计算，分块处理数据，并利用线性代数库加速矩阵运算。 现在，用户可能需要更深入的实现步骤，比如如何具体构建变形图，或者如何处理实时数据流。此外，相关引用中的内容，比如条件回归森林、深度补全、点云补全等技术，可能与DynamicFusion中的某些模块有关联，比如特征检测或深度数据处理，但需要确认是否有直接引用。不过根据提供的引用，用户可能对实时处理、深度补全和点云生成感兴趣，DynamicFusion正好涉及这些方面。 最后，生成相关问题时要围绕论文的核心技术，比如变形图的作用、实时性实现、与刚体重建的对比、拓扑处理、能量函数设计以及后续改进方向。这样可以帮助用户进一步探索相关领域。</think>### DynamicFusion实现细节分析 DynamicFusion（2015）是首个实现实时非刚体场景重建与跟踪的系统，其核心创新在于将刚体SLAM框架扩展为动态变形场估计。以下是关键技术实现细节： #### 1. 核心算法流程 $$ T_{k→w} = \arg\min_{T} \sum_{i} ||\pi(T\circ D_i(p)) - z_i||^2 + \lambda \Psi(T) $$ 其中$D_i$表示变形图节点对点$p$的局部变形作用，$\Psi(T)$为变形平滑项[^1]。 流程步骤： 1. 深度帧输入与预处理（去噪/法线计算） 2. 基于变形图的非刚性配准 3. 隐式表面更新（TSDF体素融合） 4. 变形图优化与传播 #### 2. 实时性关键技术 - **GPU并行架构**：使用CUDA实现以下模块的并行化： - 深度图双边滤波（计算模式见图1） - 变形图节点影响范围计算 - 雅可比矩阵构建 - **分层优化策略**： ```python # 伪代码示例 while not converged: coarse_to_fine_optimization( level=current_resolution, deformation_nodes=active_nodes ) update_connectivity_graph() ``` #### 3. 非刚体跟踪实现 - 变形图节点属性： - 位置$v_i \in \mathbb{R}^3$ - 旋转矩阵$R_i \in SO(3)$ - 平移向量$t_i \in \mathbb{R}^3$ - 节点影响函数： $$ w_i(p) = \exp(-\frac{||p - v_i||^2}{2\sigma^2}) $$ #### 4. 拓扑变化处理 采用双重表示方法： 1. 隐式表面（TSDF）存储几何 2. 显式网格实时提取 当检测到拓扑变化时，通过以下条件触发重初始化： $$ \frac{\partial S}{\partial t} > \tau_{topo} $$ ### 实验配置参考 | 组件 | 规格 | |--------------|--------------------------| | 深度传感器 | Kinect v2 (512×424@30Hz) | | GPU | NVIDIA GTX 980 Ti | | 体素分辨率 | 256³ (4mm/voxel) | | 优化频率 | 10Hz (全参数更新) | : 参考Real-time Facial Feature Detection中的实时优化方法 [^2]: 深度补全技术与DFuseNet有相似的多模态融合思路
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

请站在我身后

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值