.png){kind=icon}
返回
Taming Stable Diffusion for Computed Tomography Blind Super-Resolution
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07845-2_7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高分辨率计算机断层扫描（CT）成像对于医学诊断至关重要，但需要增加辐射暴露，从而在图像质量和患者安全之间造成了关键权衡。尽管深度学习方法在CT超分辨率方面显示出潜力，但它们在处理复杂降质和有限的医学训练数据方面面临挑战。与此同时，大规模预训练扩散模型，尤其是Stable Diffusion，已在各种视觉任务中展现出合成精细细节的显著能力。受此启发，我们提出了一种新颖的框架，将Stable Diffusion应用于CT盲超分辨率。我们采用实用的降质模型合成真实低质量图像，并利用预训练的视觉-语言模型生成相应描述。随后，我们结合低分辨率输入和生成的文本描述，采用专门的调控策略使用Stable Diffusion进行超分辨率。大量实验表明，我们的方法优于现有方法，展示了其在降低辐射剂量下实现高质量CT成像的潜力。代码可在https://github.com/MedAITech/SD4CTSR获取。
Keyword:
CT super-resolution
Stable Diffusion
fine-tuning
期刊
F
IF:
0
论文数:
16
被引数:
0
机构
引用论文
.png){kind=icon}
The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository癌症影像档案 (TCIA): 维护和运营公共信息库
OAAI
OAAI分享收藏Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network使用生成对抗网络实现逼真的单图像超分辨率
OAAI
OAAI分享收藏Topology-Preserving Computed Tomography Super-Resolution Based on Dual-Stream Diffusion Model基于双流扩散模型的拓扑保持计算机断层扫描超分辨率
PREAI
分享收藏
查看更多内容