Selbstüberwachte k-Raum-Regularisierung für bewegungsaufgelöste Bauch-MRT unter Verwendung neuronaler impliziter k-Raum-Darstellungen
Eine neuartige selbstüberwachte k-Raum-Regularisierung, genannt PISCO, verbessert die Bildqualität von bewegungsaufgelösten MRT-Rekonstruktionen unter Verwendung neuronaler impliziter k-Raum-Darstellungen.
Mansformer: Effiziente Transformer-Architektur mit gemischter Aufmerksamkeit für Bildentschleierung und darüber hinaus
Die Mansformer-Architektur kombiniert mehrere Formen der Selbstaufmerksamkeit, um sowohl lokale als auch globale Zusammenhänge effizient zu erfassen, und ersetzt die zweistufige Transformer-Architektur durch ein effizienteres einstufiges Design.
Repräsentation verrauschter Bilder ohne Entrauschung
Eine neue zeitfrequenzselektive Bildrepräsentation mit inhärenter Rauschrobustheit und geometrischer Invarianz wird vorgestellt, die ohne Lernverfahren oder Entrauschung auskommt.
Bildergänzung durch bedingte Synthese von Textur und Struktur
Das vorgeschlagene Modell rekonstruiert beschädigte Bildbereiche, indem es die strukturbeschränkte Textursynthese und die texturgeführte Strukturrekonstruktion in einem gekoppelten Ansatz modelliert, um realistischere Ergebnisse zu erzielen.
Effiziente Bildwiederherstellung durch stochastische Entlärmungsregularisierung
Der Kern der Arbeit ist die Einführung einer neuen stochastischen Entlärmungsregularisierung (SNORE) für die Lösung von Bildverarbeitungsproblemen im Rahmen des Plug-and-Play-Ansatzes. Diese Regularisierung basiert auf der Idee, dass ein Bild sauber aussieht, wenn seine verrauschten Versionen ebenfalls wie verrauschte Bilder aussehen. Die Lösung von inversen Problemen mit dieser Regularisierung kann mit einem nachweislich konvergenten stochastischen Optimierungsalgorithmus angegangen werden.
Wie die Recheneffizienz die Modelleffizienz von Convolutional Neural Networks verzerrt
Die Recheneffizienz kann die Modelleffizienz von Convolutional Neural Networks stark beeinflussen und zu deutlich längeren Latenzzeiten führen, obwohl die Modelle weniger Operationen ausführen.
Skalierung der Bildwiederherstellung: Praxis des Modellskalierens für fotorealistische Bildwiederherstellung in freier Wildbahn
Das SUPIR-Modell (Scaling-UP Image Restoration) ist eine bahnbrechende Methode zur Bildwiederherstellung, die generative Vorkenntnisse und die Kraft des Modellskalierens nutzt, um außergewöhnliche Bildwiederherstellungseffekte und neue Möglichkeiten der Intelligenz zu erreichen.
Effiziente Extraktion und Rekombination von visuellen Konzepten durch Ausnutzung von Sprach-Bild-Modellen
Durch Destillation großer vortrainierter Sprach-Bild-Modelle können disentanglierte und kompositionelle visuelle Konzeptrepräsentationen erlernt werden, die eine flexible Rekombination von Konzepten ermöglichen.
Ein zweistufiges Netzwerk für Bildentnebelung mit Multi-Skalen-Fusion und adaptivem Lernen
TSNet ist ein zweistufiges Bildentnebelungsnetzwerk, das eine Multi-Skalen-Fusionsmodule und ein adaptives Lernmodul verwendet, um die Generalisierung zu verbessern und Artefakte sowie Farbverzerrungen in den Ausgaben zu reduzieren.
Generative Diffusion Modelle für blinde Bildwiederherstellung
DiffBIR ist ein allgemeines Wiederherstellungssystem, das verschiedene blinde Bildwiederherstellungsaufgaben in einem einheitlichen Framework bewältigen kann. DiffBIR trennt das Problem der blinden Bildwiederherstellung in zwei Stufen: 1) Entfernung von Degradierungen: Entfernung bildunabhängiger Inhalte; 2) Informationsregeneration: Generierung verlorener Bildinhalte.
© 2024 by Linnk AI