ABSR: Progressive Alternate Refinement for Blind Cardiac MRI Super-Resolution
Notice bibliographique
Résumé
Deep learning-based methods for super-resolution (SR) reconstruction of cardiac magnetic resonance imaging (CMRI) have achieved commendable reconstruction performance owing to the potent learning capability of neural networks. Nonetheless, these methods suffer from performance degradation when handling real-world CMRI images, failing to reconstruct high-fidelity CMRI high-resolution images. This degradation stems from the fact that real-world CMRI images are afflicted with blur and noise, whereas mainstream deep learning-based CMRI SR algorithms are typically trained on images degraded using bicubic methods. To address this problem, we propose a progressive alternate refinement for blind CMRI SR, which implements blind SR reconstruction through progressive alternate refinement optimization of the CMRI image feature extraction process and blur kernel feature extraction process. Moreover, we propose a novel progressive blind SR reconstruction subnetwork, which utilizes the alternate residual attention block (ARAB) to perform deep feature extraction. Meanwhile, we propose an ARAB, which uses channel and pixel attention mechanisms to extract high-frequency features from the extracted CMRI and blur kernel features. Extensive experimental results demonstrate that our proposed alternate refinement for blind CMRI super-resolution outperforms the state-of-the-art SR methods, exhibiting superior reconstruction performance and the ability to reconstruct high-fidelity CMRI images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».