【图像超分】论文精读：Using Deep Learning Super-Resolution for Improved Segmentation of SEM Biofilm Images

第一次来请先看这篇文章：【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等）

---

前言

论文题目：Using Deep Learning Super-Resolution for Improved Segmentation of SEM Biofilm Images —— 利用深度学习超分辨率改进SEM生物膜图像分割

论文地址：Using Deep Learning Super-Resolution for Improved Segmentation of SEM Biofilm Images

Bibm 2022！利用超分提升SEM生物图像分割效果

Abstract

扫描电子显微镜(SEM)图像通过提供关于生物膜形成、超微结构、细胞及其与材料相互作用的详细信息，在材料生物膜的定量分析中起着至关重要的作用。除了 SEM 成像的一些内在限制外，SEM 体积中图像的一些特征在放大倍率、高分辨率、场深度和 SEM 协议方面往往有所不同。这些 SEM 体积中的细胞大小、几何形状和密度等生物膜形态的定量表征是一个具有挑战性的问题。本文介绍了基于深度学习的超分辨率 (DLSR) 作为解决这个问题的步骤。三种基于生成对抗网络技术的 DLSR 方法应用于 SEM 生物膜数据集，并