Oct, 2019

噪声作为域漂移：通过非配对图像翻译去噪医学图像

PDF
TL;DR通过修改 cycleGAN 模型，将图像去噪问题视为高低噪声域之间的域转换问题，在未配对的视网膜光学相干断层扫描图像上学习这些域之间的映射。在定量和定性评估中，我们展示了这种方法优于其他已有方法，并且结果表明该网络能够区分图像中噪声水平的微小变化。模型的特征映射进一步表明其已学会区分视网膜层和其他不同区域的图像。
image denoisingdomain translationcycleganretinal imagingdeep learning
发现论文，激发创造
  • 去噪作为适应性问题：图像恢复的噪声空间域自适应

    通过扩散模型在噪声空间中进行域适应，我们展示了一种针对深度学习图像修复的方法，其通过利用多步去噪过程受辅助条件输入影响的独特属性，逐渐将合成数据和真实世界数据的修复结果对齐到一个共同的干净分布。

    Jun, 2024

  • MRI 图像翻译的 CycleGAN 模型

    该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法，并将其与基于 DCGAN 结构的模型进行了比较，结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。

    Dec, 2023

  • UNIT-DDPM: 带去噪扩散概率模型的非配对图像翻译

    提出一种新颖的无需对抗训练的图像分类方法，该方法使用基于去噪扩散概率模型的单张图像转换方法。我们的方法是通过最小化以另一个域为条件的去噪得分匹配目标来训练生成模型以推断图像的联合分布。我们同时更新域翻译模型，并通过基于 Langevin 动力学的去噪马尔科夫链蒙特卡罗方法来生成目标域图像。该方法在几个公共数据集上实现了最先进的 Frechet Inception Distance（FID）性能，包括彩色和多光谱影像，并明显优于当前的对抗图像转换方法。

    Apr, 2021

  • 学习清洁：GAN 透视

    该研究论文探讨了使用生成对抗网络（GAN）和 CycleGAN，将未配对的噪声和无噪声图像转化为配对的干净文档，以用于清理噪声扰动，实现文档清理的任务。

    Jan, 2019

  • 面向域感知少样本学习的光学相干断层扫描噪声降低

    本文提出了一种针对光学相干断层扫描（OCT）噪声降低的 few-shot 监督学习框架，该框架在训练速度和培训内容方面都有巨大的提高，此外，我们还为 OCT 不同成像系统的域偏移问题提出了可能的解决方法。

    Jun, 2023

  • 领域转移医学图像分割中的交叉去噪网络抵抗被污染标签

    提出了一种新的鲁棒性交叉去噪框架，使用两个同等网络进行相互监督来解决医学图像中常见的域移位和损坏标签问题，并且引入了一个噪声宽容性损失和一个最有信心预测的类不平衡交叉学习，以减少累积误差，实验结果显示该方法优于现有技术。

    Jun, 2020

  • 糖尿病性视网膜病变中解缠表示的普遍化

    糖尿病视网膜病变（DR）是糖尿病引起的严重视力损害风险。我们提出了一个新颖的框架，其中来自不同领域的配对数据的表示被解耦为语义特征和领域噪声，以生成与临床需求对齐的增强表示，最终通过使用类和领域原型进行插值来改善解耦表示的鲁棒性，以及通过数据感知加权函数来关注罕见类别和领域。通过多个基准测试上的实验结果证明了我们方法在未知领域上的有效性。

    Jun, 2024

  • 从降噪训练到测试时间自适应：增强医学图像分割的领域通用性

    通过将辅助降噪解码器纳入基本的 U-Net 结构中，我们提出了自去噪 Y-Net (DeY-Net) 这一全新方法，该方法利用自我监督学习范式以减少对源域的过拟合，提高域泛化能力，并且可以利用未标记的数据，通过进一步适应目标域和噪声污染输入的方式，我们还提出了自去噪测试时间适应 (DeTTA)。广泛的实验表明，与其他方法相比，我们的方法在广泛应用的肝脏分割基准测试中取得了显著的领域泛化改进和先进结果。

    Oct, 2023

  • 通过对齐清洁和噪声域学习耐噪图像表示

    本文提出了一种目标导向的隐式神经映射算法，优化双重领域以分别建模有噪声的表示的标准空间 (噪声鲁棒 (NR) 域) 和一个双生干净空间标准，即无噪声 (NF) 域，通过最大化表示之间的信息交互来增强其对噪声的稳健性，并通过 NR 和 NF 之间的映射函数生成抗噪能力的表示，以实现对复杂噪声图像的鲁棒性和高性能。

    Jul, 2023

  • 基于去噪扩散模型的光学图像转换：以异构变化检测为例

    介绍一种创新的基于深度学习的方法，使用去噪扩散模型将不同光学传感器的低分辨率图像转换为高分辨率图像，保留内容并避免不需要的伪影，通过大规模多样的 Sentinel-II 和 Planet Dove 图像配对数据集进行训练和测试，解决了在多传感器光学遥感图像的图像到图像转换任务中普遍使用的无分类器引导去噪扩散隐式模型（DDIM）框架所观察到的严重图像生成问题，生成具有高度一致的补丁的大型图像，包括颜色和特征，进一步展示了该方法如何改善贝鲁特，黎巴嫩和美国奥斯汀两个城市地区的异构变化检测结果，我们的贡献包括：i）基于去噪扩散模型的光学图像转换的新的训练和测试算法；ii）全面的图像质量评估和消融研究；iii）与无分类器引导 DDIM 框架的比较；和 iv）对异构数据的变化检测实验。

    Apr, 2024