通过优势集聚类的视网膜血管网络拓扑重建和动脉/静脉分类

针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。

GPU并行计算加速的实时可视外壳三维重建及其虚实交互

基于梯度的图像/视频SoftCast，具有分组修补协同重建功能

多模光纤是一种厚散射介质,当目标图像经过多模光纤传输时将形成多种模式耦合,从而在光纤的输出端生成散斑图案。基于深度学习对多模光纤成像进行复原,解决了厚散射介质成像失真的问题。采用DenseUnet,并以散斑图样作为模型的输入来重建目标图像。DenseUnet模型采用融合机制加深了网络的深度,提高了重建的准确性,并具有很好的鲁棒性。实验结果表明,DenseUnet可以很好地对具有不同长度的多模光纤产生的散斑图像进行重建。

SQL Server磁盘空间清理及过引重建

刪除重建主外鍵索引，根据外鍵次序

医学图像三维重建，多层面重建（MPR），图片的三维重建方法

基于Python的三维重建开源代码，包括特征提取，SFM,PMVS以及CMVS等相关功能！ 基于Python的三维重建开源代码，包括特征提取，SFM,PMVS以及CMVS等相关功能！

采用求解正则化函数的方法求解图像去噪重建问题，并对修复结果使用pnsr和ssim方法进行评估，具体使用方法见文档中使用说明。