用于临床诊断的基于密集混合注意力生成对抗网络的单图像超分辨率
图像与视频处理
2020-02-25 v4 计算机视觉与模式识别
摘要
在训练阶段，更多连接(例如 DenseNet 最后一层中的通道拼接)意味着占用更多 GPU 内存且 GPU 利用率更低，需要更长训练时间。训练时间的增加也不利于 SR 算法的应用部署。这正是我们放弃将 DenseNet 作为基础网络的原因。此外，我们放弃了本文，因其局限性为仅应用于医学图像。请查看我们应用于通用图像的最新工作 arXiv:1911.03464。
引用
@article{arxiv.1906.06575,
title = {Single Image Super-resolution via Dense Blended Attention Generative Adversarial Network for Clinical Diagnosis},
author = {Kewen Liu and Yuan Ma and Hongxia Xiong and Zejun Yan and Zhijun Zhou and Chaoyang Liu and Panpan Fang and Xiaojun Li and Yalei Chen},
journal= {arXiv preprint arXiv:1906.06575},
year = {2020}
}
备注
We abandoned this paper due to its limitation only applied on medical images, please view our lastest work at arXiv:1911.03464