基于卷积神经网络与小波变换的医学图像超分辨率算法复现1. 引言医学图像超分辨率技术在临床诊断和治疗规划中具有重要意义。高分辨率的医学图像能够提供更丰富的细节信息，帮助医生做出更准确的诊断。近年来，深度学习技术在图像超分辨率领域取得了显著进展。本文将复现一种结合卷积神经网络(CNN)、小波变换和自注意力机制的医学图像超分辨率算法。2. 相关工作2.1 传统超分辨率方法传统的超分辨率方法主要包括基于插值的方法（如双三次插值）、基于重建的方法和基于学习的方法。这些方法在医学图像处理中都有一定应用，但往往难以处理复杂的退化模型和保持图像细节。2.2 深度学习方法近年来，基于深度学习的超分辨率方法取得了突破性进展。SRCNN首次将CNN应用于超分辨率任务，随后出现了FSRCNN、ESPCN、VDSR等改进网络。更先进的网络如EDSR、RCAN等通过残差学习和通道注意力机制进一步提升了性能。2.3 小波变换在超分辨率中的应用小波变换能够将图像分解为不同频率的子带，有利于分别处理高频细节和低频内容。一些研究将小波变换与深度学习结合，如Wavelet-SRNet、DWSR等，取得了不错的效果。2.4 自注意力机制自注意力机制能够捕捉图像中的长距离依赖关系，在超分辨率任务中有助于恢复全局结构。一些工作如SAN、RNAN等