基于头尾跨尺度融合的显微去焦去模糊
图像与视频处理
2023-05-31 v2 计算机视觉与模式识别
摘要
显微成像在生物学研究与诊断中至关重要。在细胞或分子尺度成像时，轴向的机械漂移难以校正。尽管多尺度网络已用于去模糊，但这些级联残差学习方法未能准确捕捉去卷积的端到端非线性，即显微图像中聚焦图像与其离焦对应图像之间的关系。在我们的模型中，我们采用了无级联残差学习的多尺度 U-Net 结构。此外，与传统的由粗到细模型不同，我们的模型通过以头尾方式将较粗子网络的特征与较细子网络融合来加强跨尺度交互：较粗尺度的解码器与较细尺度的编码器相融合。由于融合在所有尺度上跨解码器与编码器发生，这种交互有助于更好的特征学习。大量实验表明，与其他现有模型相比，我们的方法取得了更优性能。
引用
@article{arxiv.2201.02876,
title = {Defocus Deblur Microscopy via Head-to-Tail Cross-scale Fusion},
author = {Jiahe Wang and Boran Han},
journal= {arXiv preprint arXiv:2201.02876},
year = {2023}
}
备注
published on ICIP 2022