通街是密人有的博客

广义深度图像去噪的最新进展促进了鲁棒噪声处理模型的发展。目前最先进的Masked Training（MT）构建了一个蒙面SwinIR模型，该模型仅对高斯噪声（σ=15）进行训练，但可以在各种噪声类型（即斑点噪声，泊松噪声）中实现令人满意的去噪性能。然而，该方法虽然侧重于内容重建，但往往会产生过度平滑的图像，并且在蒙版比例优化方面存在挑战，使其与其他方法的集成变得复杂。作为回应，本文介绍了RNINet，一种基于流线型编码器-解码器框架的新型架构，以提高效率和整体性能。

在本文中，我们揭示了扩散U-Net尚未开发的潜力，它可以作为“免费午餐”，在运行中大幅提高生成质量。我们首先研究了U-Net架构对去噪过程的关键贡献，并确定其主要backbone主要有助于去噪，而其跳跃连接主要将高频特征引入解码器模块，导致网络忽略backbone语义。利用这一发现，我们提出了一种简单而有效的方法-称为“FreeU”-无需额外的培训或微调即可提高生成质量。我们的关键见解是战略性地重新权衡来自U-Net的跳跃连接和backbone特征映射的贡献，以利用U-Net架构的两个组件的优势。

微小目标检测是目标检测领域的关键问题之一。大多数通用检测器的性能在微小目标检测任务中显著下降。主要的挑战在于如何提取微小物体的有效特征。现有的方法通常是基于生成的特征增强，这种方法受到虚假纹理和伪影的严重影响，难以使微小物体的特征清晰可见，便于检测。为了解决这一问题，我们提出了一种自重构微小目标检测(SR-TOD)框架。我们首次在检测模型中引入了自重构机制，并发现了自重构机制与微小目标之间的强相关性。具体地说，我们在检测器的颈部之间施加一个重建头，构建重建图像与输入的差分图，显示出对微小物体的高灵敏度。

基于深度学习网络的医学图像分割方法主要分为CNN和Transformer。然而，CNN很难捕获长距离依赖关系，而Transformer的计算复杂度高，局部特征学习能力差。为了有效地提取和融合局部特征和远程依赖关系，本文提出了一种结合MLP的CNN模型Rolling-Unet。具体来说，我们提出了核心R-MLP模块，该模块负责学习整个图像在单一方向上的长距离依赖关系。通过对不同方向的R-MLP模块进行控制和组合，形成OR-MLP和DOR-MLP模块，以捕获多方向的远程依赖关系。

本文研究了三维低剂量计算机断层扫描成像技术。尽管在此背景下开发了各种深度学习方法，但它们通常侧重于2D图像，并分别执行低剂量去噪和超分辨率去模糊。同时进行平面内去噪和透平面去模糊是获得低辐射、高成像速度的高质量三维CT图像的重要手段，但目前研究较少。对于这项任务，一个简单的方法是直接训练一个端到端的3D网络。然而，它需要更多的训练数据和昂贵的计算成本。

近几十年来，临床医生广泛使用计算机断层扫描(CT)进行医学诊断。医疗辐射有潜在危险，因此需要减少CT扫描中的射线辐射。然而，辐射剂量的减少会导致噪声和伪影的增加。本文采用基于UNet的卷积神经网络(CNN)新架构对低剂量CT图像(LDCT)进行去噪，并与正常剂量图像(NDCT)进行对比。多特征提取块(multi-feature extraction block，MFEB)在不同的接受域中获取额外的特征。提出了改进的CT图像ConvNeXt块(CTNeXt)，用于提取不同尺度的不同特征数据。