人工智能-项目实践-图像识别-基于深度学习的图像超分辨率重建及其在医学影像上的应用 前言 介绍图像超分辨率问题、研究现状、前景，介绍在医学图像上进行超分辨率的重要性。 自然图像上的超分辨率研究 在 DIV2K 数据集（800 train + 100 val）进行实验。选取 baseline 模型为 ESPCN、DWSR、EDSR。针对这些模型的不足之处，提出改进：使用小波 + U-Net + 感知损失多任务学习的 LU-MWCNN模型，达到超越 baseline 的效果。 医学图像上的超分辨率应用 在 DeepLesion 数据集（CT 图像）的 Key_slices 上进行实验，同样与 baseline 模型进行对比。提出 CT-LPIPS，利用一个类 VGG 网络训练。 医学图像超分辨率平台开发 以 CT 图像为例，搭建 Web 服务，借助 Cornerstone.js 库，医生可预览 DICOM，或将图像发送至后端重建服务，以获得超分辨完成的结果。后端采用 Flask + PyTorch 进行部署和实时推理。 总结

尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但一个核心问题仍然很大程度上未解决：当我们在大的升级因子上超分辨时，我们如何恢复更精细的纹理细节？基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比，但它们通常缺乏高频细节，并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本文中，我们提出了SRGAN，一种用于图像超分辨率（SR）的生成对抗网络（GAN）。据我们所知，它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标，我们提出了一种感知损失函数，它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形，该网络经过训练以区分超分辨率图像和原始照片真实图像。另外，我们使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。我们的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分（MOS）测试显示使用SRGAN在感知质量方面获得了巨大的显着提升。使用SRGAN获得的MOS分数比使用任何

卷积码的matlab代码WMCNN-pytorch-Netmodel 符合艺术性的[通过小波多尺度卷积神经网络实现航空图像超分辨率]如果使用此代码，请引用本文。我使用pytorch剥离了本文的网络模型。该代码基于文章[航空图像超高清]通过小波多尺度卷积神经网络进行解析，wmcnn，因为本文随附的代码使用python和matlab混合编程以及pytorch版本，因为该代码使用了大量数据集来读取和预处理处理过程，并且环境设置异常，代码无法运行，因此剥离了相关的网络结构，可以直接使用。 无需培训过程，您就可以使用它快速将其嵌入网络结构中，而不必担心输入大小。 注意力 应该注意的是，在网络上，论文略有不同。 在网络结构的末端，个人感觉它直接从160特征图下降到12。它可能返回到去噪性能的损失，因此添加了缓冲区卷积。 慢慢将特征图降低到12 代码基于文章的[通过小波多尺度卷积神经网络的航空图像超分辨率]，wmcnn，由于文章附带的代码使用了python和matlab混合编程，以及一个pytorch版本，因此处理的过程，而且环境构造异常，无法运行代码，不再替换相关的网络结构，可直接使用。缺失了训练

小波matlab代码WMCNN-Pytorch WMCNN的Pytorch复制[通过小波多尺度卷积神经网络的航空图像超分辨率]如果使用此代码，请引用本文。 下表对RSSCN7数据集上的PSNR值进行了比较。 方法 提升因子 草 场地 行业 河湖 森林 居民 停车处 平均数 WMCNN_paper 2个 38.82 37.30 28.35 32.41 29.68 28.49 29.10 32.02 WMCNN_pytorch 2个 38.98 37.38 28.28 32.31 29.71 28.33 30.00 32.14 用法 产生资料 首先，您需要下载RSSCN7数据集，并将其放在目录“ data / rsscn7”中。 然后，您可以使用以下两种方法来生成hdf5数据集。 （*注：也可以使用其他数据集。） Matlab的 使用文件夹“ matlab_generate_data”中提供的代码“ generate_train.m”来生成hdf5数据集。 Python 如果无法使用matlab，则可以使用python代码“ data_generator.py”生成hdf5数据集。 训练

基于Kronecker积的图像超分辨率快速算法

综述类的论文，对于超分辨率研究入门很有帮助，作者附录里有附带经典源码的链接，特别是几个深度学习的github链接，国内也有镜像

图像超分辨率重建技术是指从低分辨率图像中重建高分辨率图像的技术。由退化模型可知图像复原是一个不适定的问题，虽然有极大后验概率估计、凸集投影等许多传统复原算法，但正则化复原方法有时更为有效。正则化方法的主要目的是引入合理的约束来得到更好的图像复原结果，论文首先考虑常见的空域正则化方法，着重研究对约束算子和参数的选取。然后由参数的收敛性分析，讨论了有效实现正则化方法的迭代算法的思想。

SRGAN 基于CVPR 2017论文的SRGAN的PyTorch实现。

基于图像稀疏表征的图像超分辨率重建算法的matlab仿真+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

RDN 该存储库是。 要求 PyTorch 1.0.0 脾气暴躁的1.15.4 枕头5.4.1 h5py 2.8.0 tqdm 4.30.0 火车 可以从下面的链接下载转换为HDF5的DIV2K，Set5数据集。 数据集 规模 类型 关联 DIV2K 2个 火车 DIV2K 3 火车 DIV2K 4 火车 第5集 2个 评估 第5集 3 评估 第5集 4 评估 否则，您可以使用prepare.py创建自定义数据集。 python train.py --train-file " BLAH_BLAH/DIV2K_x4.h5 " \ --eval-file " BLAH_BLAH/Set5_x4.h5 " \ --outputs-dir " BLAH_BLAH/outputs " \