本文的创新点:本文在最新的 SRGAN 基础上,通过使用缩放卷积、去掉批量规范化层(Batch-Normalization,BN)、增加特征图数量、加深网络等对 SRGAN 作出改进,提出了基于深度残差生成对抗网络(Deep Residual Generative Adversarial Network,DR-GAN)的医学影像超分辨率算法,来达到对医学影像放大 2倍后仍然保留较多的纹理和细节特征的目标。
相关理论
1.生成对抗网络
GAN 过程中有两个场景:第一个场景中,从真实训练数据中采样 x,作为判别器模型 D(x) 的输入,D(x) 通过自身的训练学习,尽可能地输出接近 1 的概率值;第二个场景中,从先验分布中采样 z,经生成器模型生成伪造样本G(z),将其作为判别器模型的输入,判别器模型的目的尽量使 D(G(z)) 接近 0,而生成器模型的目的尽量使它接近 1,最终在二者的互相博弈中达到平衡。
2.残差和快捷连接
该网络结构使得更深的网络更容易训练,因而可以通过增加网络层数提高识别准确率
如图 2 所示,残差网络在原始的卷积层上增加跳层快捷连接支路 Skip Connection 构成基本残差块,使原始要学习的H(x) 被表示成 H(x) = F(x
《基于深度残差生成对抗网络的医学影像超分辨率算法》---论文笔记
最新推荐文章于 2023-03-30 17:40:18 发布