Q&A
    Q&A     Q&A
사전 학습된 UNet 8 모델을 DEN으로 사용함으로써, 원본 LR 이미지를 사용했을 때보다 SAFT의 성능이 크게 향상되었습니다( 그림 S2 ). 공간 해상도를 더욱 향상시키고 아티팩트를 최소화하기 위해 SAFT에 여러 가지 맞춤형 정규화 항이 고안되었습니다( 참고 S1 ). 기존의 대부분의 SRN은 단일 이미지 SR 작업에 기반을 두고 있어 인접 프레임 간의 시간적 의존성을 포착할 수 없습니다. 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 SAFT에서 출력 시퀀스의 헤시안 정규화 항을 계산함으로써 18 시공간 정보를 SRN에 도입하여 생세포 이미징의 연속성과 정확도를 향상시킬 수 있습니다( 그림 S3 A 및 S3B). 또한 SAFT에서는 SR 출력의 공간 해상도를 높이기 위해 희소 정규화 항을 사용합니다( 그림 S3 C 및 S3D). 이는 고해상도 형광 이미지가 더 높은 수준의 희소성을 나타낸다는 이론에 기반합니다. 19 또한, LR 입력이 회전될 때, 특히 회전이 아티팩트 패턴에 상당한 영향을 미치는 GAN 기반 모델에서 SRN에 의해 생성된 아티팩트가 다양한 분포를 나타내는 것을 관찰했습니다. 이를 바탕으로 회전 증강 이미지의 SR 재구성 간의 차이를 최소화하여 아티팩트를 억제하는 회전 정규화 항을 개발하여 출력 일관성을 향상시켰습니다( 그림 S3 E 및 S3F).
전화상담
국장 진성웅
상담시간
08:00 부터 20:00 까지( 공휴일 제외)
댓글목록
등록된 댓글이 없습니다.