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.
10 天有情绪数据
-
Vision Transformer与FFT-ReLU融合，增强图像去模糊效果
研究人员开发了一种新颖的图像去模糊双域架构，将Vision Transformers (ViTs) 与频域FFT-ReLU模块相结合。该方法旨在通过结合ViTs的空间注意力建模和FFT-ReLU组件强制执行的频率稀疏性，来增强从模糊图像中恢复清晰图像的能力。在基准数据集上的实验表明，该架构在PSNR和SSIM等定量指标以及感知质量方面优于现有的最先进模型。
-
SHFormer 通过动态频谱滤波和 Transformer 增强 MRI 重建
研究人员开发了 SHFormer，这是一种用于自适应磁共振成像 (MRI) 重建的新型神经网络架构。该模型利用动态频谱滤波卷积神经网络 (CNN) 和高通核生成 Transformer 来改进高频细节的捕获，而这些细节通常会被现有的基于注意力（attention-based）的模型所忽略。SHFormer 旨在提供高质量的重建和跨不同 MRI 数据域的可重用特征，在未见过（unseen）的场景中显示出峰值信噪比 (PSNR) 和结构相…
-
新的CLAHE流程增强视网膜图像，改善诊断效果
研究人员开发了一种新颖的两阶段视网膜眼底图像增强流程，结合了亮度校正和对比度限制自适应直方图均衡化（CLAHE）。该方法专门针对非均匀照明和低对比度等伪影，这些伪影会阻碍糖尿病视网膜病变和青光眼等疾病的准确诊断。在DRIVE数据集上的定量验证表明，其性能优于标准的直方图均衡化和自适应直方图均衡化方法，在PSNR、SSIM和CNR方面取得了显著更高的分数，并且处理时间适合临床工作流程。
-
新的pyMEAL工具箱增强医学图像翻译的鲁棒性
研究人员开发了pyMEAL，一个用于医学图像翻译的新型工具箱，解决了患者变异性和有限训练数据等挑战。该系统采用了多编码器增强感知学习（MEAL），通过专用的编码器路径处理多个增强变体。这种方法，特别是MEAL-BD策略，动态地对增强特定特征进行加权，以保留互补表示并增强鲁棒性，在CT到T1加权MRI翻译任务中表现优于现有方法。
-
新框架分析CT重建，噪声影响策略
研究人员开发了一个统一的框架来分析自监督稀疏视图CT重建中的设计选择。他们在模拟和真实数据集上的实验表明，最优的分区策略高度依赖于测量噪声的结构。基于格的分裂在独立噪声下表现良好，而在相关噪声和实际测量数据下，角度掩蔽更有效。研究还发现，在各种场景下，多分区分裂的性能始终优于逐投影分裂。
-
FlowPET 框架采用物理信息方法增强低计数 PET 重建
研究人员开发了 FlowPET，一种新颖的、用于正电子发射断层扫描 (PET) 重建的物理信息框架，专门用于解决低计数场景下的挑战。与可能导致信号“冲淡”的传统生成模型不同，FlowPET 在辛相空间中利用保体积传输，理论上可以防止弱信号的衰减。该框架通过 PET 算子的独特分解来强制执行数据一致性并管理不确定性。实验表明，FlowPET 在图像质量指标上优于现有方法，并显著提高了低对比度病灶的恢复能力。
-
Simon-SR框架通过提示引导的适配增强图像超分辨率
研究人员推出了一种新颖的多模态框架Simon-SR，该框架通过利用可学习的提示进行语义挖掘和文本-图像融合来增强单图像超分辨率（SISR）。该方法旨在提高感知质量，并减少与先前方法相关的错误先验和标注成本的敏感性。实验表明，Simon-SR在PSNR、SSIM和LPIPS指标上均优于最先进的技术，并取得了显著的提升。
-
新型视觉Transformer可合成对比增强脑部MRI
研究人员开发了AA-ViT，这是一种具有解剖结构感知能力的视觉Transformer，旨在从对比增强前图像合成对比增强脑部MRI扫描。该方法旨在通过克服标准MRI的局限性和造影剂的相关风险来改善肿瘤定位和诊断。AA-ViT利用结构和频率引导来保留解剖边界和病灶细节，在PSNR和SSIM等定量指标上优于现有方法。医疗专业人员进行的初步临床验证显示出有希望的结果，表明其在降低医疗成本和患者风险方面具有潜在应用。
-
扩散模型提升低质量监控图像人脸识别能力
研究人员开发了FASR++，这是一种新的扩散模型，旨在提高低质量监控图像的人脸识别准确性。该模型聚合来自多个低分辨率图像的特征以生成超分辨率输出，从而最大限度地减少身份失真。FASR++在标准的用于验证和图像质量指标的人脸识别数据集上取得了最先进的结果，而无需显式的软属性或梯度函数。
-
新框架采用物理感知和统一方法增强MRI质量 · 已追踪4个来源
研究人员开发了两个新颖的框架来提高磁共振成像（MRI）的质量。PhyMRI-SR将MRI超分辨率视为一个物理感知的重建问题，改编了2D高斯溅射法，并融入了关于解剖结构和成像系统的先验知识。UniField则提供了一个统一的框架，用于多场强MRI增强，利用3D体积信息和场感知频谱校正机制来提高跨不同场强的泛化能力。这两种方法都旨在提高MRI的诊断可及性和研究能力。
-
WorldSample框架通过合成数据提升真实机器人强化学习
研究人员开发了WorldSample，一个旨在改进真实世界机器人强化学习（RL）的框架。该系统在物理机器人交互与生成的世界模型之间创建了一个闭环，能够生成高保真合成数据。通过使用策略调步学习（Policy-Paced Learning），WorldSample调节训练过程，以平衡有用增强与潜在的高估和噪声，从而显著减少训练步骤并提高机器人操作任务中的策略成功率。
-
新指标将图像去雾与海上能见度联系起来，以提高导航安全性
研究人员开发了一种用于评估图像去雾技术的新指标，特别适用于海上监视。该指标旨在弥合图像恢复质量与实际能见度估计之间的差距，而这对于导航安全至关重要。所提出的框架使用模拟数据集和目标检测精度来量化去雾带来的能见度提升，提供了比传统图像质量指标更具可解释性的评估。
-
对数域Noisier2Inverse框架推动ICF图像去噪技术发展
一种新的自监督去噪框架Log-Domain Noisier2Inverse已被开发并评估，用于处理受乘性均匀噪声影响的惯性约束聚变（ICF）图像。该框架展示了显著的改进，实现了21.41 dB的平均PSNR和0.8358的SSIM，相比噪声输入有了大幅提升。该方法在ICF图像去噪方面，显著优于BM3D和Noise2Self等现有技术，并且在训练过程中完全是自监督的。
-
新研究提供先进的图像去噪方法
两篇新研究论文提出了新颖的图像去噪方法。第一篇论文介绍了一种混合范数TV（MixTV）模型，旨在在保留图像边缘的同时减少噪声，与现有的TV模型相比，效果有所提高。第二篇论文提出了Poisson2Gaussian（P2G）技术，将复杂的真实世界噪声转换为更简单的独立同分布高斯噪声，使去噪器能够在各种数据集上实现最先进的性能。
-
新方法提升神经视频编解码器泛化能力
研究人员开发了一种新颖的无训练尺度驱动在线流细化（SOFR）方法，以增强神经视频编解码器（NVC）的泛化能力。该即插即用模块整合了多尺度的运动信息，并动态融合它们以最小的计算成本纠正运动估计误差。SOFR还包含一个感知比特率的策略和一个可靠性检查以提高鲁棒性，在USTC-TD数据集上，跨DCVC-SDD、DCVC-FM和EHVC等多种NVC框架均实现了显著的比特率节省。
-
量化：高效部署大语言模型的关键技术
量化是将大语言模型（LLMs）的权重和激活值从浮点格式转换为低精度整数格式，从而实现高效部署的关键技术。此过程可减小内存占用和计算需求，使大语言模型适用于资源受限的设备。关键步骤包括权重和激活值的量化，采用均匀量化、非均匀量化和学习量化等方法会影响模型的准确性和效率。最小化量化误差（通过均方误差等指标衡量）对于保持模型性能至关重要。
-
NTIRE 挑战赛推动图像超分辨率技术发展
NTIRE 2024 和 2025 年图像超分辨率挑战赛专注于将低分辨率图像放大四倍。2024 年的挑战赛共有 20 支队伍提交参赛作品，主要在 DIV2K 数据集上使用 PSNR 进行评估。2025 年的挑战赛在恢复任务之外，还增加了感知任务，吸引了 25 支队伍，旨在推动图像超分辨率技术的最新进展。
-
NTIRE 2026 挑战赛对先进图像去噪技术进行基准测试
NTIRE 2026 图像去噪挑战赛专注于恢复被高水平加性白高斯噪声严重损坏的图像。该竞赛评估了先进的神经网络架构，优先考虑峰值信噪比（PSNR）衡量的峰值定量性能。共有116支队伍注册参赛，20支决赛队伍的成果被收录在一份报告中，为无约束图像恢复领域的最新创新提供了基准。
-
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。
-
MetaRanker框架改进超透镜图像质量评估
研究人员开发了MetaRanker，一个新颖的人机协同框架，旨在更准确地评估超透镜的图像质量。与依赖PSNR等失真度量指标的传统方法不同，MetaRanker优先考虑语义可解释性，关注人类在识别受光学伪影影响的图像中的物体时的能力。该系统使用概率偏好模型和视觉语言模型来指导人类比较，将所需的标注数量显著减少了约80%，同时产生的排序与人类评估非常匹配。