机构名称：
¥ 1.0
近年来，卷积神经网络（CNN）表明了它们在MR图像超级分辨率（SR）任务上的优势。但是，许多当前的SR模型对计算和内存都有很大的要求，这些模型通常对磁共振成像（MRI）不友好，在这些磁共振成像（MRI）通常会受到限制。另一方面，大多数MRI实验中的一个基本考虑是如何减少扫描时间以改善患者舒适性并减少运动伪像。在这项工作中，我们通过提出一个有效且轻巧的模型来缓解问题，该模型支持快速培训和准确的SR推理。提出的网络的灵感来自横向抑制机制，该机制假设相邻神经元之间存在抑制作用。我们网络的骨干由几个横向抑制块组成，其中抑制作用由一堆级联的局部抑制单元明确实现。当模型量表很小时，明确抑制特征激活将进一步探索模型代表能力。为了更有效的特征提取，还使用了几种平行的扩张卷积直接从输入图像中提取浅特征。对典型MR图像进行的广泛实验表明，我们的横向抑制网络（LIN）比具有类似模型量表的其他轻量级模型的SR性能更好。
通过轻质横向抑制网络准确的MR图像超分辨率
主要关键词
相关文件推荐
