peak signal-to-noise ratio
PulseAugur coverage of peak signal-to-noise ratio — every cluster mentioning peak signal-to-noise ratio across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI改进了新生儿成像的MR重建泛化能力
研究人员开发了新的方法来提高深度学习模型在MR重建中的泛化能力，特别是针对成人到新生儿的脑成像。通过采用对比信息数据增强和域对抗训练，E2E-VarNet模型在新生儿数据上表现出比标准仅成人训练更好的性能。这些技术被证明可以提高对域偏移的鲁棒性，从而在各种加速因子下获得更好的图像重建质量。
-
GOR-IS框架通过本征空间修复改进3D对象移除
研究人员开发了GOR-IS，一个用于从3D高斯喷溅等方法生成的3D场景重建中移除对象的新框架。该方法通过显式建模光传输以实现全局一致性并处理非朗伯表面，解决了现有技术的局限性。GOR-IS将场景分解为本征分量，并使用本征空间修复模块来提高物理一致性和视觉连贯性。实验表明，与先前的方法相比，感知相似性提高了13%，PSNR增加了2dB。
-
新基准通过下游任务评估遥感超分辨率模型
研究人员推出了 GeoSR-Bench，这是一个新的基准数据集，旨在评估大规模遥感影像的超分辨率（SR）模型。与依赖 PSNR 或 SSIM 等视觉保真度指标的传统基准不同，GeoSR-Bench 集成了土地覆盖分割和基础设施测绘等下游任务。使用此基准进行的实验表明，标准 SR 指标的改进与在这些实际地球监测任务上的性能提升并不总是相关，这凸显了对集成任务评估的需求。
-
MetaSR框架使用Diffusion Transformer进行生成式超分辨率中的自适应元数据
研究人员开发了MetaSR，一个用于生成式超分辨率的新型框架，该框架能够自适应地选择和注入相关元数据以增强图像和视频质量。这种基于Diffusion Transformer的方法旨在处理各种内容和降级场景，性能优于现有方法。MetaSR在PSNR方面取得了显著改进，同时在资源受限的情况下将传输比特率降低了多达50%。
-
深度学习框架对月球影像进行归一化以实现无缝镶嵌
研究人员开发了一个深度学习框架，以解决由不同轨道影像源创建的月球镶嵌图中的辐射不一致性问题。该系统利用条件生成对抗网络 (cGAN) 将传统镶嵌的图像映射到光度一致的参考。这种方法在 Chandrayaan-2 TMC 和 SELENE 数据上进行了测试，与传统方法相比，显著提高了色调均匀性并减少了接缝伪影。
-
AI模型合成肝脏MRI肝胆期图像，以更好地检测肝细胞癌
研究人员开发了一种名为三相顺序融合网络（TriPF-Net）的新型深度学习模型，用于合成肝胆期（HBP）肝脏MRI图像。该网络利用了肝胆期前MRI序列的顺序信息，特别是T1加权成像，以及在可用时期的动脉期和静脉期特征。通过模拟造影剂摄取动态并纳入临床变量，TriPF-Net旨在提高肝细胞癌成像的工作流程效率和病灶描绘能力，有可能消除对延迟肝胆期成像的需求。