对抗性与基于得分的 CT 去噪：CycleGAN vs Noise2Score
计算机视觉与模式识别
2025-11-07 v1
摘要
我们研究了在非配对和自监督情境下进行 CT 图像去噪，通过评估两种强大的、训练数据高效的范式：基于 CycleGAN 的残差翻译器和基于 Noise2Score（N2S）的得分匹配去噪器。在统一的评估协议下，配置扫描确定了一个简单标准 U-Net 骨干网络（lambda_cycle=30, lambda_iden=2, ngf=ndf=64）作为 CycleGAN 最可靠的设置；我们随后以更长的训练计划对其进行收敛训练。所选 CycleGAN 将噪声输入从 34.66 dB / 0.9234 SSIM 提升至 38.913 dB / 0.971 SSIM，并获得估计得分1.9441和未见数据集（Kaggle 排行榜）得分1.9343。虽然 Noise2Score 在绝对 PSNR / SSIM 上略逊一筹，但在非常噪声的输入上实现了大幅提升，凸显了在缺乏干净配对数据时的实用性。总体而言，CycleGAN 提供了最强的最终图像质量，而 Noise2Score 提供了一个无配对数据的数据驱动替代方案，性能具有竞争力。源代码已提供，地址为 https://github.com/hanifsyarubany/CT-Scan-Image-Denoising-using-CycleGAN-and-Noise2Score。
引用
@article{arxiv.2511.04083,
title = {Adversarial and Score-Based CT Denoising: CycleGAN vs Noise2Score},
author = {Abu Hanif Muhammad Syarubany},
journal= {arXiv preprint arXiv:2511.04083},
year = {2025}
}