Rethinking Degradation: Radiograph Super-Resolution via AID-SRGAN

要約

本論文では、ジオグラフィック画像の超解像のための医療用AttentIon Denoising Super Resolution Generative Adversarial Network (AID-SRGAN)を提案する。まず、ダウンサンプリング以外の様々な劣化要因を考慮した医療用実用劣化モデルを提示する。これは、我々の知る限り、ジオグラフィック画像に対して初めて提案された複合劣化モデルである。さらに、高解像度X線写真のノイズ除去と生成を同時に行えるAID-SRGANを提案する。本モデルでは、ノイズ除去モジュールにアテンション機構を導入することで、複雑な劣化に対してより頑健になるようにした。最後に、SRモジュールは「きれいな」低解像度（LR）X線画像を用いて、高解像度X線画像を再構成する。例えば、提案手法は、スケールファクターが$4 \times$でPSNRが$31.90$を達成し、最近の研究であるSPSR[16]が得た値よりも$7.05 \%$ 高い値を示しています。データセットとコードは、https://github.com/yongsongH/AIDSRGAN-MICCAI2022 で公開する予定である。

要約(オリジナル)

In this paper, we present a medical AttentIon Denoising Super Resolution Generative Adversarial Network (AID-SRGAN) for diographic image super-resolution. First, we present a medical practical degradation model that considers various degradation factors beyond downsampling. To the best of our knowledge, this is the first composite degradation model proposed for radiographic images. Furthermore, we propose AID-SRGAN, which can simultaneously denoise and generate high-resolution (HR) radiographs. In this model, we introduce an attention mechanism into the denoising module to make it more robust to complicated degradation. Finally, the SR module reconstructs the HR radiographs using the ‘clean’ low-resolution (LR) radiographs. In addition, we propose a separate-joint training approach to train the model, and extensive experiments are conducted to show that the proposed method is superior to its counterparts. e.g., our proposed method achieves $31.90$ of PSNR with a scale factor of $4 \times$, which is $7.05 \%$ higher than that obtained by recent work, SPSR [16]. Our dataset and code will be made available at: https://github.com/yongsongH/AIDSRGAN-MICCAI2022.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL