对CycleGAN判别器进行改进以提升性能。提高图像增强时的对比度和亮度准确性。改进的网络能在不同扫描部位都有好表现。针对肺部低剂量CT图像增强效果显著。优化了网络参数以实现更稳定的增强。减少图像增强过程中可能出现的过拟合。新网络在肝脏低剂量CT图像上效果良好。提升了网络对低剂量CT图像纹理的还原度。改进技术能快速完
因此,本文提出一种改进的循环一致性生成对抗网络(Cycle-consistent Adversarial Network, CycleGAN)对水下显微成像系统拍摄的大量水下目标物的数据集进行训练处理,所获结果在水下目标物显微图像的颜色校正方面能得到广泛的应用。 2 改进的CycleGAN 2.1 CycleGAN CycleGAN[12]是由两个镜像的生成对抗网络(Generative Adversari...
基金项目: FU Xingbao1,, CAI Qiong1, 2, CHEN Guoqing LAI Yuanzhe, CHEN Yu1 1. School of Computer Science and Engineering, Wuhan Institute of Technology, Wuhan 430205, Hubei, China 2. Hubei Key Laboratory of Intelligent Robot, Wuhan Institute of Technology, Wuhan 430205, Hubei, China...
经UNIT,CycleGAN和改进后的CycleGAN增强后,所有受试者的平均PIQE均大幅减小,且减小幅度依次提升。这表明,深度学习方法UNIT,CycleGAN和改进后的CycleGAN对低剂量CT图像的增强效果均优于传统方法BM3D且性能依次提高,稳定性好。此外,在整个测试集上,改进后的CycleGAN的平均PIQE由CycleGAN的49.65降低为45.53,降幅达8.3%,更远...