我们提出了一种简单有效的迭代加权算法通过压缩感测提高图像重建的恢复性能（CS）。 数值实验结果表明，所提出的新方法与标准相比，在图像质量和计算复杂度方面均胜过最小化1 l以及其他迭代加权的1 l算法CS中的图像重建。

超分辨率SRDPNs张量流 tensorflow实现的超分辨率： 我基于双路径网络的超分辨率实现，但与原始网络完全不同，差异如下所示： 我修改了双路径块的结构，以加快训练速度。 我引入了瓶颈以减小尺寸并进行去卷积以恢复细节。 介绍基于VGG19的特征空间的知觉损失和克损失。 依存关系： 张量流> = 1.3.0 Scipy> = 0.18 GPU内存> 7G 用法： 首先，您需要在下载VGG19的模块以进行损耗函数计算。 然后，将下载的文件imagenet-vgg-verydeep-19.mat移到该项目的SRDPNs文件夹中。 供测试用： 打开main.py ，将数据路径更改为您的数据，例如： flags.DEFINE_string("testimg", "2.bmp", "Name of test image") 执行python main.py进行测试，结果将保存在示例

焦点频率损失 该存储库将提供以下论文的正式代码： 图像重建和合成的焦点频率损失，，和arXiv预印本，2020年。 摘要：由于生成模型的发展，图像重建和合成取得了显着进展。 但是，实际图像和生成的图像之间仍然存在间隙，尤其是在频域中。 在这项研究中，我们表明，在频域中缩小间隙可以进一步改善图像重建和合成质量。 我们提出了一种新颖的焦点频率损耗，它可以使模型自适应地关注那些难以通过对简单频率分量进行加权来合成的频率分量。 这个目标函数是对现有空间损耗的补充，由于神经网络的固有偏差，对重要频率信息的丢失提供了很大的阻抗。 我们展示了聚焦频率损失在感知质量和定量性能方面的多功能性和有效性，以改善诸如VAE，pix2pix和SPADE等流行模型。 我们还将在StyleGAN2上展示其潜力。 更新 [12/2020]焦点频率损失在arXiv上发布。 代码 该代码将公开提供。 敬请期待。 结果

Language: English Format: PDF Year: 2018 Pages: 161 ISBN : 3030001288 This book constitutes the refereed proceedings of the First International Workshop on Machine Learning for Medical Reconstruction, MLMIR 2018, held in conjunction with MICCAI 2018, in Granada, Spain, in September 2018. The 17 full papers presented were carefully reviewed and selected from 21 submissions. The papers are organized in the following topical sections: deep learning for magnetic resonance imaging; deep learning for computed tomography, and deep learning for general image reconstruction.

很有用的介绍医学图像重建算法的教材，高清高质量电子文档

这是关于图像重建的电子书，高清，最新版本，经典著作，英文版