利用结构先验的深度 MR 图像超分辨率
机器学习
2018-09-11 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
高分辨率磁共振（MR）图像是精确诊断所需要的。实际上，图像分辨率受硬件、成本与处理限制等因素制约。近来，深度学习方法已被证明能为图像超分辨率产生引人注目的当前最优（SOTA）结果。特别关注所需高分辨率 MR 图像结构，我们提出一种新的正则化网络，利用图像先验——即低秩结构与锐度先验——来增强深度 MR 图像超分辨率。我们的贡献在于以解析易处理的方式将这些先验纳入完成超分辨率任务的卷积神经网络（CNN）的学习中。这对低秩先验尤其具挑战性，因为秩并非图像矩阵（进而网络参数）的可微函数，我们通过寻求秩的可微近似来解决该问题。锐度由拉普拉斯算子的方差强调，我们展示其可由网络输出端的固定反馈层实现。在两个公开可用 MR 脑图像数据库上的实验展现出有前景的结果，尤其在训练图像有限时。
引用
@article{arxiv.1809.03140,
title = {Deep MR Image Super-Resolution Using Structural Priors},
author = {Venkateswararao Cherukuri and Tiantong Guo and Steven J. Schiff and Vishal Monga},
journal= {arXiv preprint arXiv:1809.03140},
year = {2018}
}
备注
Accepted to IEEE ICIP 2018