基于频率自监督表示学习的通用眼底图像增强网络
图像与视频处理
2023-09-12 v1 计算机视觉与模式识别
机器学习
摘要
眼底照相易受图像质量退化的影响，进而干扰眼科医生或智能系统的临床检查。尽管已开发增强算法以改善退化图像上的眼底观测，但高数据需求与有限适用性阻碍了其临床部署。为突破此瓶颈，本研究提出一种通用眼底图像增强网络（GFE-Net），可在无监督或额外数据的情况下稳健校正未知眼底图像。利用图像频率信息，通过自监督表示学习从退化图像中学习鲁棒的结构感知表示。随后借助耦合表示学习与图像增强的无缝架构，GFE-Net能够准确校正眼底图像并同时保留视网膜结构。我们开展了全面的实验以证明GFE-Net的有效性与优势。与最先进（SOTA）算法相比，GFE-Net在数据依赖性、增强性能、部署效率和尺度泛化性方面均取得更优表现。GFE-Net还促进了后续眼底图像分析，其各模块分别被验证对图像增强有效。
引用
@article{arxiv.2309.00885,
title = {A Generic Fundus Image Enhancement Network Boosted by Frequency Self-supervised Representation Learning},
author = {Heng Li and Haofeng Liu and Huazhu Fu and Yanwu Xu and Hui Shu and Ke Niu and Yan Hu and Jiang Liu},
journal= {arXiv preprint arXiv:2309.00885},
year = {2023}
}
备注
Accepted by Medical Image Analysis in Auguest, 2023