基于切比雪夫变换域的深度学习图像超分辨率架构

近期 COVID-19 的爆发促使研究人员利用人工智能和深度学习在医学成像领域做出贡献。过去几年中，超分辨率（SR）利用深度学习方法取得了显著成果。深度学习方法能够从低分辨率（LR）图像到其对应高分辨率（HR）图像学习非线性映射的能力，在多个研究领域中为 SR 带来了引人注目的结果。在本文中，我们提出了一种在切比雪夫（Tchebichef）变换域中基于深度学习的图像超分辨率架构。这是通过将一个变换层通过定制的切比雪夫卷积层（$TCL$）集成到所提架构中实现的。TCL 的作用是使用切比雪夫基函数将 LR 图像从空间域转换到正交变换域。上述变换的逆变换通过使用另一称为逆切比雪夫卷积层（ITCL）的层来实现，该层将 LR 图像从变换域转换回空间域。已观察到，将切比雪夫变换域用于 SR 任务可利用图像的高频和低频表示，从而简化超分辨率任务。我们进一步引入迁移学习方法来提升基于 Covid 的医学图像质量。结果表明，我们的架构提升了 COVID-19 的 X 射线和 CT 图像质量，提供了更好的图像质量以辅助临床诊断。使用所提切比雪夫变换域超分辨率（TTDSR）架构获得的实验结果在可训练参数更少的情况下与大多数采用的深度学习方法相比具有竞争力。