通过波形金字塔递归神经网络分析超分辨率的医学图像,波形能量局限于波形能量
1School of Electronic Information and Electrical Engineering, Chengdu University, Chengdu, 610106, Sichuan, China; School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu, 610054, Sichuan, China.
概括
一个新的波形金字塔递归神经网络 (WPRNN) 通过传输多层波形系数和使用波形能量 (WEE) 来实现信号能量约束,提高图像超分辨率,以更少的参数实现竞争性性能.
科学领域:
- 计算机视觉 计算机视觉
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 多分辨率金字塔技术在图像超分辨率中占主导地位.
- 现有的方法通常使用一个单一的信息传输模式在不同层次之间.
研究的目的:
- 为增强图像超分辨率提出一种新的波形金字塔递归神经网络 (WPRNN).
- 为了改善信息传输和细节捕获跨金字塔层次.
主要方法:
- 开发了一个WPRNN结合波束能量 (WEE) 约束.
- 实施了多分辨率波形金字塔融合 (WPF) 模块,用于跨层次的信息传输.
- 使用了跨级别和频率的波形系数的共享参数.
主要成果:
- 在超高分辨率的图像中实现了竞争性重建性能.
- 在最小的模型参数下证明了卓越的效率.
- 通过对公共数据集的广泛实验进行验证.
结论:
- 拟议的WPRNN为图像超分辨率提供了一个实用和高效的解决方案.
- 该WEE约束有效指导波波系数的重建.
- 该方法显示了对现实世界应用的巨大潜力.


