超分辨超声显微成像.ppt

深度学习在超分辨中的应用08神经网络架构设计通过分析高、低分辨率图像频谱覆盖范围的差异，提出的DFCAN和DFGAN模型利用傅立叶域注意力机制增强高频信息恢复能力，在中高信噪比条件下性能优于传统超分辨方法，拓展了卷积神经网络在显微图像超分辨中的适用范围。傅立叶域注意力机制研究团队开发的PHCT架构结合了卷积神经网络的局部特征建模优势和Transformer模块的远程像素依赖关系建模能力，特别适用于大视场成像需求。其物理先验引导的模式激活（PPA）模块显式编码了结构光调制的频率信息，显著提升了对高数值孔径下密集照明条纹的解调能力。混合卷积与Transformer架构（PHCT）不同