Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Super-resolution Fluorescence Microscopy01:37

Super-resolution Fluorescence Microscopy

12.1K
Super-resolution fluorescence microscopy (SRFM) provides a better resolution than conventional fluorescence microscopy by reducing the point spread function (PSF). PSF is the light intensity distribution from a point that causes it to appear blurred. Due to PSF, each fluorescing point appears bigger than its actual size, and it is the PSF interference of nearby fluorophores that causes the blurred image. Various approaches to achieving higher resolution through SRFM have recently been...
12.1K
Residuals and Least-Squares Property01:11

Residuals and Least-Squares Property

8.9K
The vertical distance between the actual value of y and the estimated value of y. In other words, it measures the vertical distance between the actual data point and the predicted point on the line
If the observed data point lies above the line, the residual is positive, and the line underestimates the actual data value for y. If the observed data point lies below the line, the residual is negative, and the line overestimates the actual data value for y.
The process of fitting the best-fit...
8.9K
Deconvolution01:20

Deconvolution

524
Deconvolution, also known as inverse filtering, is the process of extracting the impulse response from known input and output signals. This technique is vital in scenarios where the system's characteristics are unknown, and they must be inferred from the observable signals.
Deconvolution involves several mathematical techniques to derive the impulse response. One common approach is polynomial division. In this method, the input and output sequences are treated as coefficients of...
524

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Dl‑3‑n‑Butylphthalide Protects the Blood-Brain Barrier in Neonatal Hypoxic‑Ischemic Brain Damage by Alleviating Endothelial Cell Ferroptosis via the SLC7A11/GSH/GPX4 Pathway.

Molecular neurobiology·2026
Same author

Pulsed excitation enhances low-temperature H<sub>2</sub>sensing in Pt-In<sub>2</sub>O<sub>3</sub>sensors: a performance and humidity tolerance study against DC bias.

Nanotechnology·2026
Same author

(+)-JQ1 Upregulates SIRT3 to Suppress cGAS/STING Pathway-Mediated Neuronal Inflammation and Ferroptosis After Hypoxic-Ischemic Encephalopathy.

Drug design, development and therapy·2026
Same author

Effect of powder particle size on hydration rates, permeability and antimicrobial properties of tricalcium silicate in root canals.

Journal of materials science. Materials in medicine·2025
Same author

Research progress on the impact of intravenous remifentanil used for labor analgesia on parturient women and infants.

The journal of obstetrics and gynaecology research·2025
Same author

Glutathione-protected Au<sub>22</sub> Nanoclusters Ameliorates Hypoxic-Ischemic Brain Damage in Neonatal Rats via Sirt3/SOD2 Signaling Pathway.

Molecular neurobiology·2025

関連する実験動画

Updated: Jan 8, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

991

R2GDN: RepGhostベースの残差密ネットワークによる画像超解像

Tianyu Li1, Xiaoshi Jin1, Qiang Liu2

  • 1School of Information Science and Engineering, Shenyang University of Technology, Shenyang, China.

PloS one
|December 12, 2025
PubMed
まとめ

新しい軽量画像超解像ネットワークR2GDNは、エッジデバイスのパラメータを大幅に削減し、速度を向上させます。効率と複雑さのバランスをとりながら、既存の軽量モデルよりも優れたパフォーマンスを発揮します。

キーワード:
画像超解像軽量ネットワークエッジAIパラメータ削減推論速度

さらに関連する動画

Super-resolution Imaging of Neuronal Dense-core Vesicles
09:30

Super-resolution Imaging of Neuronal Dense-core Vesicles

Published on: July 2, 2014

10.1K

関連する実験動画

Last Updated: Jan 8, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

991
Super-resolution Imaging of Neuronal Dense-core Vesicles
09:30

Super-resolution Imaging of Neuronal Dense-core Vesicles

Published on: July 2, 2014

10.1K

科学分野:

  • コンピュータビジョン; ディープラーニング; 画像処理

背景:

  • 既存の超解像ネットワークは、計算の複雑さとメモリ使用量に関する課題に直面しています。エッジコンピューティングデバイスへの展開は、リソースの制限によって妨げられています。

研究 の 目的:

  • 新しい軽量画像超解像再構成ネットワークを導入します。計算の複雑さとメモリ消費の問題を軽減します。エッジコンピューティング環境のためにネットワークアーキテクチャを最適化します。

主な方法:

  • 効率的な特徴利用のための軽量な再パラメータ化レイヤーを開発しました。密な接続と局所的な残差学習を維持するディープ特徴抽出のためのRGABモジュールを設計しました。特徴の再利用と構造的な再パラメータ化技術を実装しました。

主要な成果:

  • R2GDNネットワークは、パフォーマンス指向のメソッドと比較して、モデルパラメータの大幅な削減（約95％）とエッジデバイスでの推論速度の向上（86.8％）を示しています。パラメータ数が少なく、BSD100データセットで4倍の再構成においてSSIMが0.74％向上した軽量超解像アルゴリズムを上回っています。ネットワークのパフォーマンスと複雑さの間の効果的なバランスを示しています。

結論:

  • R2GDNは、エッジデバイスでの画像超解像のための計算効率が高く効果的なソリューションを提供します。提案されたアーキテクチャは、パフォーマンスとリソース制約の間のトレードオフにうまく対処しています。R2GDNは、画像再構成のための軽量ディープラーニングモデルにおける重要な進歩を表しています。