公开(公告)号：CN113487503A

公开(公告)日：2021-10-08

申请号：CN202110749087.2

申请日：2021-07-01

Applicant: 安徽大学

Inventor： 周芃 ,  林毅 ,  李学俊 ,  王华彬 ,  韩先君

IPC: G06T5/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于通道注意力生成对抗网络的PET超分辨率方法。该方法包括：步骤一.获取高分辨率的训练数据集和测试数据集；步骤二.获取低分辨率的训练数据集和测试数据集；步骤三.在超分辨率生成对抗网络(Super Reso l ut i on Generat i ve Adversar i a l Network，SRGAN)的生成器中用残差通道注意力块取代残差块，得到通道注意力超分辨率生成对抗网络；步骤四.用像素级的均方误差损失改进SRGAN的感知损失；步骤五.对网络进行训练；步骤六.用图像质量评价指标对网络进行评价。本发明在SRGAN的基础上加入了通道注意力机制，使得生成器网络更加关注含有丰富高频信息的通道，增加了卷积神经网络的表征能力。同时，用像素级的均方误差损失改进SRGAN的感知损失，进一步提高了重建图像的质量。

公开(公告)号：CN113487503B

公开(公告)日：2024-07-09

申请号：CN202110749087.2

申请日：2021-07-01

Applicant: 安徽大学

Inventor： 周芃 ,  林毅 ,  李学俊 ,  王华彬 ,  韩先君

IPC: G06T5/73 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于通道注意力生成对抗网络的PET超分辨率方法。该方法包括：步骤一.获取高分辨率的训练数据集和测试数据集；步骤二.获取低分辨率的训练数据集和测试数据集；步骤三.在超分辨率生成对抗网络(Super Reso l ut i on Generat i ve Adversar i a l Network，SRGAN)的生成器中用残差通道注意力块取代残差块，得到通道注意力超分辨率生成对抗网络；步骤四.用像素级的均方误差损失改进SRGAN的感知损失；步骤五.对网络进行训练；步骤六.用图像质量评价指标对网络进行评价。本发明在SRGAN的基础上加入了通道注意力机制，使得生成器网络更加关注含有丰富高频信息的通道，增加了卷积神经网络的表征能力。同时，用像素级的均方误差损失改进SRGAN的感知损失，进一步提高了重建图像的质量。