使用带有 Wasserstein 距离和感知损失的生成对抗网络进行低剂量 CT 图像去噪

Aug, 2017

Low Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance and Perceptual Loss

Qingsong Yang, Pingkun Yan, Yanbo Zhang, Hengyong Yu, Yongyi Shi...

TL;DR本文介绍了一种基于生成式对抗网络（GAN）的新型 CT 图像去噪方法，该方法基于 Wasserstein 距离和特征相似性，能够从图像数据噪声分布强到弱的迁移，并在临床 CT 影像中取得了良好效果。

Abstract

In this paper, we introduce a new ct image denoising method based on the generative adversarial network (GAN) with →

发现论文，激发创造

本文比较了在单幅图像超分辨率上使用 Wasserstein 距离和其他训练目标时，各种 GAN 架构的表现，结果表明，带梯度惩罚的 Wasserstein GAN（WGAN-GP）提供了稳定且收敛的 GAN 训练，Wasserstein 距离是衡量训练进展的有效指标。

May, 2017

本研究探索了 Wasserstein 生成对抗网络在巴拿赫空间中引入梯度惩罚后的理论扩展和一些具体选择的基础点，重点关注 Sobolev 范数，并在 CIFAR-10 和 CelebA 中展示了性能提升。

Jun, 2018

本篇论文提出了一种基于随机投影的生成模型，该模型较传统的 GAN 模型更加稳定和精确，采用的 Wasserstein 距离作为度量计算生成样本的真实性，可以得到更准确的生成结果。

Mar, 2018

本文研究使用从目标识别 CNNs 中获取的特征来衡量图像之间的感知相似度，并使用差分距离函数训练图像增强模型，并表明聚合 CNN 激活之间的 1D-Wasserstein 距离比现有方法更可靠，并且可以在各种成像应用中显著提高感知性能。

Dec, 2020

提出了一种比传统的 WGAN 更好的 GAN 训练方法，使用正则化替代权重截取，通过惩罚评判器对其输入梯度的范数，可以实现各种 GAN 结构的稳定训练和高质量生成。

Mar, 2017

本文提出了一种基于条件生成对抗网络的随机去噪方法，通过引入一种理论上基于中心极限定理的正则化惩罚项，以实现高感知质量和可接受失真度去噪。

Mar, 2021

本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

Nov, 2019

本文研究生成对抗网络中用于逼近 Wasserstein 度量的方法，考虑到 $c$-transformation 的使用可以更精确地估计真实的 Wasserstein 度量，但在生成模型方面，$c$-transformation 不是表现最好的方法。

Oct, 2019

本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

May, 2018

本研究提出了一种新方法，用于通过生成式对抗网络（GAN）训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的 Wasserstein 距离作为训练目标，从而从联合对象形状分布中获得更好的生成效果，并在与现有基线比较中取得了明显的数量级改进。

Jul, 2017