低剂量CT(low-dose CT,LDCT)图像的去噪任务是一个高度复杂且不确定的逆问题。现有的基于CNN的方法虽然有效,但提升空间有限且计算成本高。相比之下,将图像先验知识与模型相结合来辅助图像去噪是一种更有效的方法。提出了一种名为AWTV_GANet的LDCT图像去噪框架。该框架利用自适应加权总变分(adaptive weighted total variation,AWTV)展开和高斯注意力引导的方法,通过端到端的CNN模型,将噪声优化模型、边缘检测模型和图像重建模型集成在一起。实验证明,AWTV_GANet能够准确地去除伪影噪声,并恢复出更精细的结构细节,与其他方法相比具有优异的性能。
随着感知技术的不断发展以及智能交通基础设施的完善,智能网联汽车应用在自动驾驶领域的地位逐渐提升.自动驾驶感知从单车智能向车路协同迈进,近年来涌现出一批新的协同感知技术与方法.本文旨在全面阐述面向智能网联汽车的车路协同感知技术,并总结相关可利用数据及该方向的发展趋势.首先对智能网联汽车的协同感知策略进行划分,并总结了不同感知策略具备的优势与不足;其次,对智能网联汽车协同感知的关键技术进行阐述,包括车路协同感知过程中的感知技术与通信技术;然后对车路协同感知方法进行归纳,总结了近年来解决协同感知中感知融合(Perception fusion,PF)、感知信息选择与压缩(Perception selection and compression,SC)等问题的相关研究;最后对车路协同感知的大规模数据集进行整理,并对智能网联汽车协同感知的发展趋势进行分析.
暂无评论