已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Super-resolution image reconstruction from sparsity regularization and deep residual-learned priors

先验概率 残余物 正规化(语言学) 超分辨率 人工智能 计算机科学 图像(数学) 迭代重建 模式识别(心理学) 计算机视觉 算法 数学 贝叶斯概率
作者
Xinyi Zhong,Ningning Liang,Ailong Cai,Xiaohuan Yu,Lei Li,Bin Yan
出处
期刊:Journal of X-ray Science and Technology [IOS Press]
卷期号:31 (2): 319-336 被引量:3
标识
DOI:10.3233/xst-221299
摘要

BACKGROUND: Computed tomography (CT) plays an important role in the field of non-destructive testing. However, conventional CT images often have blurred edge and unclear texture, which is not conducive to the follow-up medical diagnosis and industrial testing work. OBJECTIVE: This study aims to generate high-resolution CT images using a new CT super-resolution reconstruction method combining with the sparsity regularization and deep learning prior. METHODS: The new method reconstructs CT images through a reconstruction model incorporating image gradient L0-norm minimization and deep image priors using a plug-and-play super-resolution framework. The deep learning priors are learned from a deep residual network and then plugged into the proposed new framework, and alternating direction method of multipliers is utilized to optimize the iterative solution of the model. RESULTS: The simulation data analysis results show that the new method improves the signal-to-noise ratio (PSNR) by 7% and the modulation transfer function (MTF) curves show that the value of MTF50 increases by 0.02 factors compared with the result of deep plug-and-play super-resolution. Additionally, the real CT image data analysis results show that the new method improves the PSNR by 5.1% and MTF50 by 0.11 factors. CONCLUSION: Both simulation and real data experiments prove that the proposed new CT super-resolution method using deep learning priors can reconstruct CT images with lower noise and better detail recovery. This method is flexible, effective and extensive for low-resolution CT image super-resolution.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
wang发布了新的文献求助10
1秒前
万能图书馆应助bukeshuo采纳,获得10
5秒前
人小鸭儿大完成签到 ,获得积分10
6秒前
8秒前
科研通AI2S应助科研通管家采纳,获得10
9秒前
共享精神应助科研通管家采纳,获得30
9秒前
赘婿应助科研通管家采纳,获得10
9秒前
脑洞疼应助科研通管家采纳,获得10
9秒前
浅尝离白应助科研通管家采纳,获得10
10秒前
10秒前
Allen完成签到,获得积分10
10秒前
10秒前
12秒前
13秒前
Chemistry发布了新的文献求助10
17秒前
Dingyiren发布了新的文献求助10
17秒前
wang完成签到,获得积分10
19秒前
Ecc完成签到,获得积分10
21秒前
洋溢完成签到,获得积分10
21秒前
25秒前
龟龟完成签到 ,获得积分10
26秒前
29秒前
涛哥来科研完成签到 ,获得积分10
31秒前
科研通AI2S应助应谷槐采纳,获得10
31秒前
34秒前
Konradling完成签到,获得积分10
38秒前
Ecc发布了新的文献求助10
41秒前
斯文败类应助缓慢天菱采纳,获得10
45秒前
54秒前
文献完成签到,获得积分10
54秒前
Seameng完成签到 ,获得积分10
1分钟前
1分钟前
Demi_Ming完成签到,获得积分10
1分钟前
Chemistry发布了新的文献求助10
1分钟前
成就亦寒完成签到,获得积分20
1分钟前
1分钟前
1分钟前
hannuannuan发布了新的文献求助10
1分钟前
1分钟前
1分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Foreign Policy of the French Second Empire: A Bibliography 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3146684
求助须知:如何正确求助?哪些是违规求助? 2798001
关于积分的说明 7826352
捐赠科研通 2454503
什么是DOI,文献DOI怎么找? 1306289
科研通“疑难数据库(出版商)”最低求助积分说明 627692
版权声明 601522