首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    单幅图像超分辨率重建(图像超分)

    图像超分辨率重建技术就是利用一组低质量、低分辨率图像(或运动序列)来产生单幅高质量、高分辨率图像。图像超分辨率重建应用领域及其宽广,在军事,医学,公共安全,计算机视觉等方面都存在着重要的应用前景。在计算机视觉领域,图像超分辨率重建技术有可能使图像实现从检出水平(detection level)向识别水平(recognition level)的转化,或更进一步实现向细辨水平(identification level)的转化。图像超分辨率重建技术可以提高图像的识别能力和识别精度。图像超分辨率重建技术可以实现目标物的专注分析,从而可以获取感兴趣区域更高空间分辨率的图像,而不必直接采用数据量巨大的高空间分辨率图像的配置。[1]

    01

    [Nature Biotechnology] BayesSpace:亚点分辨率下的空间转录组学

    今天给大家带来一篇发表在nature biotechnology上研究空间转录组的文章。最近的空间基因表达技术能够在保留空间背景的同时全面测量转录组谱。然而,现有的分析方法并没有解决技术的分辨率或有效地利用空间信息。在这里,作者介绍了贝叶斯空间,一种完全贝叶斯统计方法,它利用来自空间邻域的信息来提高空间转录组数据的分辨率和聚类分析。作者将BayesSpace与目前的空间和非空间聚类方法进行了基准测试,并表明它改进了对来自大脑、黑色素瘤、浸润性导管癌和卵巢腺癌样本中不同的组织内转录谱的识别。利用免疫组化和由scRNA-seq数据构建的硅质数据集,作者发现贝叶斯空间解决了在原始分辨率下无法检测到的组织结构,并识别了组织学分析无法获得的转录异质性。

    01

    IBC 2023 | 最新人工智能/深度学习模型趋势在超分辨率视频增强中的技术概述

    超分辨率(SR)方法指的是从低分辨率输入生成高分辨率图像或视频的过程。这些技术几十年来一直是研究的重要课题,早期的 SR 方法依赖于空间插值技术。虽然这些方法简单且有效,但上转换图像的质量受到其无法生成高频细节的能力的限制。随着时间的推移,引入了更复杂的方法,包括统计、基于预测、基于块或基于边缘的方法。然而,最显著的进步是由新兴的深度学习技术,特别是卷积神经网络(CNNs)带来的。尽管卷积神经网络(CNNs)自 20 世纪 80 年代以来就存在,但直到 20 世纪 90 年代中期,由于缺乏适合训练和运行大型网络的硬件,它们才开始在研究社区中获得广泛关注。

    01

    电生理源成像:脑动力学的无创窗口

    大脑活动和连接分布在三维空间上并在时间上演变,这对于高时空分辨率的脑动态成像是非常重要的。脑电图(EEG)和脑磁图(MEG)是无创测量方式,测量编码大脑功能的复杂神经活动及其相互作用。电生理源成像(ESI)从EEG和MEG中估计出潜在的脑电源,它提供了高时空分辨率的大尺度脑活动和脑连接成像。电生理源成像和功能磁共振成像的结合可以进一步提高时空分辨率和特异性,这是任何一种技术都无法达到的程度。来自明尼苏达和卡内基梅隆等大学的研究者在Annual Review of Biomedical Engineering发文,其回顾了近三十年来电生理源成像的方法学进展,其未来可发展为一种功能强大的神经成像技术,用于基础神经科学和临床神经科学研究。

    01

    智能遥感:AI赋能遥感技术

    随着人工智能的发展和落地应用,以地理空间大数据为基础,利用人工智能技术对遥感数据智能分析与解译成为未来发展趋势。本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线,通过综合国内外文献和相关报道,梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展。首先,针对遥感数据精准处理任务,从光学、SAR等遥感数据成像质量提升和低质图像重建两个方面对精细化处理研究进展进行了回顾,并从遥感图像的局部特征匹配和区域特征匹配两个方面对定量化提升研究进展进行了回顾。其次,针对遥感数据时空处理与分析任务,从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。再次,针对遥感目标要素分类识别任务,从典型地物要素提取和多要素并行提取两个方面对其研究进展进行了回顾。最后,针对遥感数据关联挖掘任务,从数据组织关联、专业知识图谱构建两个方面对其研究进展进行了回顾。

    07
    领券