使用极深超分辨率(VDSR)神经网络从低分辨率图像创建高分辨率图像。

使用多尺度上下文聚合网络(CAN)近似图像过滤操作。

使用U-Net将RAW相机数据转换为美观的彩色图像。

使用U-Net从极端低光条件下收集的RAW相机数据中恢复增亮的RGB图像。

使用无监督的图像到图像转换网络(UNIT)在白天和黄昏照明条件之间翻译图像。

使用CycleGAN神经网络从有噪声的低剂量CT图像中生成高质量的高剂量CT图像。

使用UNIT神经网络从噪声低剂量CT图像中生成高质量的计算机断层扫描(CT)图像。

使用神经图像评估(NIMA)卷积神经网络(CNN)分析图像的美学质量。

使用Inception-v3深度神经网络对可能不适合内存的多分辨率整体幻灯片图像(WSIs)进行分类。

导入一个预先训练好的ONNX™(Open Neural Network Exchange) 3-D U-Net[1]，并使用它从3-D胸部CT扫描中对左右肺进行语义分割。语义分割将三维图像中的每个体素与类标签相关联。在本例中，您将测试数据集中的每个体素分类为属于左肺或右肺。有关语义分割的更多信息，请参见语义分割。

利用深层神经网络分割大脑MRI。

利用深度神经网络对二维超声图像中的乳腺肿瘤进行语义分割。

从三维医学图像中进行脑肿瘤的语义分割。

利用U-Net对七通道多光谱图像进行语义分割。

使用去噪卷积神经网络(DnCNN)减少图像中的JPEG压缩伪影。

使用去噪卷积神经网络从RGB图像中去除高斯噪声。

使用预训练的VGG-19网络将一张图像的风格外观应用到另一张图像的场景内容。

训练网络将一个图像的样式转移到另一个图像。它基于[1]中定义的体系结构。