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.
7 天有情绪数据
-
校正流在无需干净目标的情况下显示出CT去噪潜力
研究人员探索了使用无条件校正流作为低剂量CT扫描去噪的方法，而无需干净的训练目标。他们的研究结果表明，校正流的一步积分是实现最小均方误差的最优选择，而进一步的积分步骤实际上会增加误差。实验表明，这种一步法在Noise2Noise对上进行直接回归时表现相当，优于额外的欧拉步。虽然监督卷积神经网络（CNN）取得了显著的进步，但无标签性能高度依赖于训练对如何处理相关的CT噪声，并且保真度增益并不总是能转化为可检测病灶的改善。
-
新的PRIN网络以感知和结构为重点增强低光图像
研究人员开发了一个名为PRIN（感知-结构Retinex启发网络）的新网络，旨在增强低光图像。该方法将图像分解为反射率和亮度分量，并对每个分量应用专门的细化技术。反射率分支专注于保留纹理和边缘，而亮度分支确保亮度调整的一致性。在LOL-v1和LOL-v2等基准数据集上的实验证明了PRIN在提高结构相似性和感知质量方面的有效性。
-
新的PBSR方法通过合成伪突发帧来增强单图像分辨率
研究人员开发了一种名为伪突发超分辨率（PBSR）的新方法，该方法通过合成伪突发帧来增强单输入图像的分辨率。该技术利用零样本新视角合成来创建具有真实视差的帧，然后由几何感知对齐模块进行处理。与单帧超分辨率基线相比，PBSR在峰值信噪比、结构相似性指数测量和LPIPS方面均有所改进。
-
新的ReMATF框架有效缓解视频湍流
研究人员开发了ReMATF，一个新颖的循环框架，旨在缓解视频中的大气湍流。该轻量级系统一次仅处理两帧，与现有的多帧方法相比，显著降低了计算成本和内存使用量。ReMATF采用带有时间扭曲的多尺度编码器-解码器和运动自适应融合模块，以增强时间连贯性、减少闪烁并锐化细节。实验证明，在峰值信噪比、结构相似性度量和lpips方面有显著改进，使其适用于资源受限环境下的实时应用。
-
ParetoGS 通过连续预算优化推进 3D 高斯泼溅技术
研究人员推出了一种新颖的 3D 高斯泼溅方法 ParetoGS，可针对不同高斯数量优化场景表示。与可能需要为每个预算单独优化的先前方法不同，ParetoGS 使用一小组自适应预算锚点来解码中间预算，而无需重新优化。该方法在修剪和自适应之间交替，创建具有持久身份的嵌套锚点，并将参数变化编码到残差图集中。解码时，ParetoGS 会插值状态并引入新的渲染贡献，从而实现连续预算表示，与现有方法相比，在具有更少高斯的情况下，可以实现更好的 P…
-
ResGVC框架通过残差编码增强生成式视频压缩
研究人员推出了一种新颖的生成式视频压缩框架ResGVC，该框架通过传输残差信号来增强保真度。该方法通过在每个去噪步骤中对残差片段进行编码，引导去噪过程趋向于原始图像。该框架利用扩散Transformer作为这些残差片段的熵模型，从而实现更有效的分布建模。实验表明，与最先进的方法相比，在LPIPS和PSNR方面显著降低了BD率，同时提高了视觉质量。
-
深度学习评估行车记录仪视频中的道路车道质量
研究人员开发了一种使用深度学习和行车记录仪视频评估道路车道质量的新方法。该系统利用了在德克萨斯州南部收集的超过63,000帧的地理参考数据集。它引入了三个新颖的质量指标：对比度稳定性指数（CSI）、线连续性比率（LCR）和回归车道置信度得分（RLCS）。这些指标表现出强大的性能，并且与人类排名的一致性优于一般图像质量评估。
-
AI系统SplatLab自主进行3DGS科学研究 · 已追踪2个来源
SplatLab是一个自主AI研究系统，旨在进行3D高斯溅射（3DGS）领域的科学发现。该系统能够自主复现已发表的研究，提出并实现新颖的扩展，并生成包含可追溯实验日志的完整研究手稿。在测试中，SplatLab将现有方法的峰值信噪比（PSNR）提高了高达3.78 dB，并将研究周期从数月缩短至数天的计算时间。
-
UniField++ 框架通过循环推理增强 MRI 图像质量
研究人员开发了 UniField++，一个新颖的双智能体框架，旨在增强 MRI 场强，结合低场扫描仪的可及性与高场扫描仪的图像质量。该框架通过采用基于视觉语言模型的规划器来解决解剖幻觉等挑战，该规划器可识别高风险区域并制定有针对性的恢复策略。然后，增强器利用循环推理来精炼这些特定区域，从而在包括 64mT-to-3T 和 3T-to-7T 在内的各种场强转换中实现更符合解剖学的增强。
-
新的3DGS方法通过误差驱动的致密化提高重建质量
研究人员开发了一种新的面向3D高斯溅射（3DGS）的置信度感知致密化方法，该方法提高了重建质量，尤其是在较低的原始预算下。该方法优先在图像误差高且学习到的置信度低的区域放置新的原始，在各种预算下，其在PSNR、SSIM和LPIPS指标上均优于标准的3DGS-MCMC方法。该方法还可以利用先验信息，在使用ConeGS和EDGS等先前方法进行初始化时，其性能与之相当或更优。
-
RetinaDiff 使用少量帧的扩散模型改进视网膜成像
研究人员开发了 RetinaDiff，这是一个利用条件扩散模型改进视网膜激光散斑对比成像 (LSCI) 的新颖框架。该方法提高了运动鲁棒性，并且仅需要少量帧即可进行重建，克服了传统 tLSCI 需要更长序列的局限性。RetinaDiff 结合了相位相关性进行稳定化，并使用由运动校正先验引导的扩散模型来重建高质量图像。与现有方法相比，该框架在 SSIM、PSNR 和 FID 方面表现出显著的改进，即使在输入严重退化的挑战性案例中也是如此。
-
新的PolarScale基准针对偏振成像中的辐射尺度
研究人员推出了PolarScale，这是一个旨在解决RGB到斯托克斯偏振成像中辐射尺度准确估计挑战的新基准。与预测归一化斯托克斯分量的先前方法不同，PolarScale将场景的辐射尺度作为一个明确的预测目标。该基准建立在现有的全斯托克斯测量之上，评估了语义尺度估计与恒定尺度控制的对比，以及其他物理和角度一致性指标。对各种模型架构的实验表明，虽然显式的描述符监督提高了准确性，但学习到的尺度在扩散/镜面分离等任务中的性能与恒定尺度相当。
-
新的BEMD-QBF方法通过在保留结构的同时降低噪声来提高CT图像质量
研究人员开发了一个名为BEMD-QBF的新框架，它使用双维经验模态分解和四元数双边滤波将锐核CT图像转换为软核外观。该方法旨在减少噪声，同时保留关键的解剖结构。使用各种重建核进行的评估以及与非局部均值和各向异性扩散等成熟滤波技术的比较表明，BEMD-QBF在结构保真度和有效的降噪方面表现优越。
-
新的CT图像去噪框架结合了分解和小波变换阈值处理
研究人员开发了一种新颖的CT图像混合去噪框架，该框架结合了多种分解技术（如EMD、VMD、MEMD和BEMD）与小波变换阈值处理。该方法对每个分解模式分别使用软阈值和硬阈值处理，然后将它们重新组合以重建最终图像。在具有B50、B46、B41和B36等各种核的标准CT数据集上进行的评估表明，去噪效果显著提高，其中VMD始终产生最高的PSNR和SSIM分数。该研究还分析了软阈值和硬阈值之间的权衡，指出软阈值保留了复杂的细节，而硬阈值提供了…
-
新的MAX框架增强了加速MRI重建
研究人员开发了MAX（MAnifold eXpansion）框架，这是一个新颖的、特定于受试者的框架，旨在改进加速多对比度MRI重建。MAX通过保留解剖结构的强度增强来学习来自单个完全采样参考对比度的解剖表征，从而扩展了多对比度流形。该方法实现了卓越的性能，在R=8和R=6的加速因子下，大脑和膝盖MRI重建的PSNR优于基线超过1 dB。该框架对运动、结构异质性和噪声具有鲁棒性，为在加速MRI中利用参考扫描提供了一种通用策略。
-
SILSA框架通过高效的切片潜在表示增强3D生成 · 跟踪到2个来源
研究人员推出了一种新颖的高分辨率3D模型生成框架SILSA，该框架优先考虑拓扑一致性和效率。与先前将表面分割成大量局部标记的方法不同，SILSA利用紧凑的滑动窗口切片潜在表示。这种方法显著减少了所需的标记数量，从而降低了生成成本、训练内存需求并加快了推理速度。实验证明SILSA在提高结构保真度和保持3D形状的复杂细节方面非常有效。
-
新的FANVIDv2基准测试评估用于识别任务的视频超分辨率
研究人员推出了FANVIDv2，这是一个新的基准测试，旨在根据视频超分辨率（VSR）模型在识别任务中的有效性来评估它们，而不是传统的PSNR和SSIM等指标。该基准测试使用退化的低分辨率剪辑来评估VSR输出在多大程度上能够识别面部和车牌。该研究详细介绍了退化模型、基线架构和评分指标，并发布了相关的代码和注释。
-
GAN生成的声纳数据真实性受到任务感知评估的质疑
研究人员调查了生成对抗网络（GAN）在为机器人感知创建合成声纳数据方面的有效性。他们发现，像SSIM和PSNR这样的传统图像保真度指标并不总是与下游物体检测性能相关。具体来说，使用PatchGAN判别器的GAN配置即使在未达到最高像素级相似度得分的情况下，也显示出强大的检测结果。这表明任务感知评估对于评估机器人中使用的合成传感器数据的真实性至关重要。
-
新研究评估作物表型分析的网格重建方法
一篇新论文评估了七种网格重建流程在作物表型分析中的有效性，这一过程对于提高农业产量至关重要。研究发现，GGGS、PGSR和2DGS流程在定量和定性上都产生了最有利的结果。具体而言，在用户评分、Chamfer距离、LPIPS、PSNR和SSIM这五个关键指标上，GGGS流程的性能比第二好的流程2DGS高出约27%。
-
新的高斯编码方法可减小三维科学数据大小
研究人员开发了一种新颖的三维场数据压缩方法，该方法常用于科学模拟。该方法利用统一的基于采样的自适应高斯编码技术，可以在单一固定预算内表示结构化网格、非结构化网格和基于粒子的数据。该方法直接从输入样本中细化高斯基元，与现有方法相比，以显著更少的高斯基元实现了更高的重建精度，表现为峰值信噪比（PSNR）高出 4.8 dB，基元数量减少 44 倍。对于时变数据，该技术通过从前一时间步进行热启动来提供更高的时域编码效率。