Authors：

He Zhao, Bingyu Yang, Lvchen Cao, and Huiqi Li

Motivation

1、视网膜数据大量被用于早期的病理性检测，如青光眼视网膜并发症，高血压并发症等，然而由于视网膜图像的亮度差、对比度低、模糊性差，使得不同疾病的鉴别困难，也降低了医生的诊断准确率。

2、质量差的图像会导致自动图像处理（如分割、跟踪）的结果不满意，这可能会进一步影响疾病的分析。

3、有许多研究者试提出许多方法来增强低质量的视网膜图像。大多数方法都是利用normalization技术来提高视网膜图像的亮度和对比度，而对去模糊性的研究很少。

Contributions

  1. 该方法是第一个端到端的深层生成模型，以增强模糊的视网膜图像。
  2. 该模型可以通过弱监督的方式（不需要成对的模糊/高质量图像）来学习，该方法非常适合于医学图像中有限成对数据的情况。
  3. 提出的动态feature descriptor提供了特征约束，可以帮助模型产生更可靠的增强，其中包含核心信息和更少的伪像
  4. 增强的图像有助于改善自动处理的性能，例如血管分割和跟踪。

Net Structure

训练集，，代表的是模糊的数据，代表的是高质量的数据。

文章用了两个生成器，（论文中写错了。应该是Gb:->）Ge用于enhance，Gb用于blurry,这种机制形成信息反馈，并使用弱监督的方式训练模型，其中设计了feature descriptor作为感知约束。两个G和两个D都是同样的结构。

De用于区分Ge生成的与真实的，Db用于区分模糊原始图像与Gb生成的；De和Db用于特征提取，提取增强的图和模糊的图，这部分的D随着网络的训练，提取能力越来瓯越强

结构为：

3个卷积和3个反卷积，中间连结处为残差bottleneck块（9个残差block）。D包含了5个卷积，本质上是patchgan

Loss Function：

整个曾强的过程如下，discriminator如下，当X是真实的高质量的时候，d趋向于1；当X是增强的的时候，d趋向于0.

总的约束函数为，

Feature Consistent Constraint

,用前述的D的其中一层提取特征，作为最终的FCC 

Identity Loss

其它参数设定：ωadv = 1, ωCfea = 10, ωidt = 10

剩下内容：略

《Data-Driven Enhancement of Blurry Retinal Images via GANs》--阅读笔记-MICCAI2019相关推荐

  1. End-to-End Learning From Spectrum Data: A DL Approach for Wireless Signal Identification（阅读笔记）

    <<频谱数据的端到端学习:频谱监测应用中无线信号识别的深度学习方法>> Abstract 这篇论文介绍了端到端学习频谱数据--基于深神经网络的频谱监测应用中的新复杂无线信号识别 ...

  2. Low-Light Image Enhancement via Self-Reinforced Retinex Projection Model 论文阅读笔记

    这是马龙博士2022年在TMM期刊发表的基于改进的retinex方法去做暗图增强(非深度学习)的一篇论文 文章用一张图展示了其动机,第一行是估计的亮度层,第二列是通常的retinex方法会对估计的亮度 ...

  3. 大三小学期进阶课程第二十一课：reinforcement learning and data driven approaches

    第21课.reinforcement learning and data driven approaches 解决规划问题,不能一上来就开始data driven,而是一步步来从rule based这 ...

  4. Data Structures with C++ Using STL Chapter 3算法概述---笔记

    <Data Structures with C++ Using STL Chapter 3算法概述---笔记>,作者:茉莉花茶,原文链接:http://www.cnblogs.com/yc ...

  5. Are VQA Systems RAD? Measuring Robustness to Augmented Data with Focused Interventions 论文阅读笔记

    Are VQA Systems RAD? Measuring Robustness to Augmented Data with Focused Interventions 论文阅读笔记 一.Abst ...

  6. 点云配准论文阅读笔记--Comparing ICP variants on real-world data sets

    目录 写在前面 点云配准系列 摘要 1引言(Introduction) 2 相关研究(Related work) 3方法( Method) 3.1输入数据的敏感性 3.2评价指标 3.3协议 4 模块 ...

  7. 阅读笔记（Communication-Efficient Learning of Deep Networks from Decentralized Data）

    阅读笔记(Communication-Efficient Learning of Deep Networks from Decentralized Data) 动机 联邦平均 实验结果 MINIST优 ...

  8. 论文阅读笔记（15）：Deep Subspace Clustering with Data Augmentation，深度子空间聚类+数据增强

    论文阅读笔记(15):Deep Subspace Clustering with Data Augmentation,深度子空间聚类+数据增强 摘要 1 介绍 2 相关工作 带增强的聚类方法 具有一致 ...

  9. Learning from Synthetic Data for Crowd Counting in the Wild 论文阅读笔记

    Learning from Synthetic Data for Crowd Counting in the Wild 论文阅读笔记 发表:CVPR 2019 人群计数任务在多变的环境,大范围的人群中 ...

最新文章

  1. 2018微信年度数据报告：00后最爱表情捂脸哭 80后呲牙笑
  2. 速学c++(1)-c++简介
  3. ant design vue table 高度自适应_2年Vue项目实战经验汇总！
  4. CodeForces - 1213E Two Small Strings(暴力+构造)
  5. 太快了，太变态了：什么会影响Java中的方法调用性能？
  6. python非法变量名_数据库错误：ORA-01036:非法变量名/numb
  7. 嵌入式电路设计（工具准备）
  8. java中math的方法_Java Math所有方法
  9. linux查找某个命令属于哪个rpm包
  10. pass the URL parameters from the webseite page to Flash
  11. 分模块开发创建service子模块——（八）
  12. reuntion 题解
  13. c++ 制作走迷宫游戏
  14. 2022年江西二级建造师矿业工程施工技术综合测试题及答案
  15. ElasticSearch:为中文分词器增加对英文的支持（让中文分词器可以处理中英文混合文档）（转）
  16. weblogic与oracle断开,菜鸟经验：oracle与weblogic自动启动与停止
  17. python数据处理7: matplotlib绘图保存图片深入
  18. 轻松bypass360网站卫士WAFSQL注入防护
  19. 如何使用 Python 开始游戏开发
  20. HUAWEI（21）——华为网络基础+telnet

热门文章

  1. Azure Blob Storage 基本用法上传/下载(Java)
  2. Element学习使用
  3. ASP.NET Core: 全新的ASP.NET !
  4. 素数（质数），合数 ，偶数 ， 奇数 ，约数（因数） ，因子 ， 质因子 ， 哥德巴赫猜想定义
  5. QT 扁平化界面风格，自定义TabWidget控件
  6. 软件集合贴：学软件测试必备软件，看这里足足够了
  7. 小白如何选择采集器-爬虫
  8. 有什么办法可以预防网页被劫持
  9. 用webgl绘制一个彩色旋转立方体
  10. 图片补全《Globally and locally consistent image completion》