撰稿人：童尚清
文章 [1] 提出了利用实际测量的空间变化点扩散函数（SVPSF）进行光声图像复原的方法，通过在光声成像系统不同位置扫描光声吸收微球，获取点光源响应，测量出图像空间内点扩散函数。使用多高斯拟合进行插值，得到每个像素对应的点扩散函数，建立起点扩散函数密集映射，提出基于像素级点扩散函数映射的正则化迭代优化模型，添加高斯先验或稀疏先验约束，实现图像复原。无需原始数据访问，作为图像后处理使用，与数据域去卷积结合，节省测量时间，提升图像质量。
文章 [2] 描述了两阶段图像复原方法，第一阶段提高分辨率，第二阶段消除伪影。使用微球扫描获得空间变化点扩散函数样本，通过主成分分析和径向基函数插值获得所有像素位置的点扩散函数，设计新型稀疏对数梯度正则化结合Richardson-Lucy算法进行去模糊，同时提出“去伪影”方法，旋转图像平滑条纹伪影，优化图像视觉效果，形成完整图像复原流程，显著提升图像质量。
文章 [3] 提出基于深度学习的图像复原框架DIPP，使用图像生成器网络和PSF预测网络联合进行无监督图像复原，无需标注数据进行预训练，自适应图像空间变化退化情况，设计核损失函数预测每个图像块对应的点扩散函数，可融合实测点扩散函数提高性能，比较不同网络初始化策略，发现随机初始化更优，实验结果证明方法显著优于传统分析方法和其他深度学习模型，实现端到端图像质量改善，克服监督学习限制，学习图像内在特征，无人工设计正则化项。
文章 [1] 提供高精度点扩散函数测量方法，为后续文章提供基础；文章 [2] 优化传统框架，设计系统完整的图像处理流程，显著提升视觉效果；文章 [3] 引入深度学习技术，端到端框架实现图像复原，学习图像特征，克服监督学习限制，为光声成像领域图像复原提供新视角。三篇工作代表不同技术阶段，体现从传统算法优化到深度学习方法演进，为光声成像图像复原技术发展提供多种技术手段选择，推动领域技术进步。
本文如未解决您的问题请添加抖音号：51dongshi（抖音搜索懂视），直接咨询即可。
热心网友
回答时间：2025-01-03 21:16
