Deform-Mamba Network for MRI Super-Resolution

在本文中，我们提出了一种新的架构Deform-Mamba，用于MR图像超分辨率。与传统的基于CNN或Transformer的超分辨率方法遇到的局部相关领域或计算成本较高的挑战不同，我们的方法旨在有效地探索图像的局部和全局信息。具体来说，我们开发了一个由两个分支组成的Deform-Mamba编码器，即调制变形块和视觉Mamba块。我们还在瓶颈层中设计了一个多视角上下文模块，以探索多视角上下文内容。由于编码器提取的特征包括内容自适应的局部和高效的全局信息，因此视觉Mamba解码器最终生成高质量的MR图像。此外，我们引入了对比边缘损失来促进边缘和对比度相关内容的重建。定量和定性实验结果表明，我们的方法在IXI和fastMRI数据集上实现了竞争性能。

Deform-Mamba：用于MR图像超分辨率的新型架构

使用Deform-Mamba编码器和Vision Mamba解码器，结合多视角上下文模块和对比边缘损失，以有效地探索图像的局部和全局信息，从而生成高质量的MR图像。

论文使用了IXI和fastMRI数据集进行了定量和定性实验，并获得了竞争性的表现。该论文的亮点包括对比边缘损失的引入，以及使用Deform-Mamba编码器和Vision Mamba解码器的结合。

与此相关的最近研究包括“Deep Learning for Single Image Super-Resolution: A Brief Review”和“Image Super-Resolution Using Deep Convolutional Networks”。