基于自监督物理引导退化建模的盲声学图像增强
图像与视频处理
2026-01-30 v1 计算机视觉与模式识别
机器学习
摘要
声学图像（US）的解释受到乘性斑点、由点扩散函数（PSF）引起的获取模糊，以及扫描仪和操作员依赖的制造缺陷的影响。监督式增强方法假设获取干净的目标或已知的退化；实际情况很少满足。我们提出了一个盲式、自监督的增强框架，通过Swin卷积U-Net进行联合反卷积和去噪，采用物理引导的退化模型。从每个训练帧中，我们提取旋转/裁剪的补丁，并通过（i）与高斯PSF代理卷积和（ii）注入通过空间加性高斯噪声或复杂傅里叶域扰动（模拟相位/幅度失真）来合成输入。对于US扫描，采用非局部低秩（NLLR）去噪获取干净类似目标，无需地面真值；对于自然图像，原始图像作为目标。该方法在UDIAT~B、JNU-IFM和XPIE Set-P上进行训练和验证，并在700图像构成的PSFHS测试集上进行评估，结果在高斯和斑点噪声水平下均实现最高PSNR/SSIM，受损程度加剧时优势更为显著。在相对于MSANN、Restormer和DnCNN的比较结果表明，在重度高斯噪声下分别保留约1--4 dB PSNR和0.05--0.15 SSIM，在严重斑点噪声下分别保留约2--5 dB PSNR和0.05--0.20 SSIM。受控PSF研究显示，FWHM减小且峰值梯度提高，证明了分辨率恢复且无边缘侵蚀。作为即插即用预处理器使用时，一致地提高了胎儿头和盆骨肌束分割的Dice值。总体而言，该方法提供了一条实用、假设较少、可跨数据集、扫描仪和退化类型普遍化的稳健US增强之路。
关键词
引用
@article{arxiv.2601.21856,
title = {Blind Ultrasound Image Enhancement via Self-Supervised Physics-Guided Degradation Modeling},
author = {Shujaat Khan and Syed Muhammad Atif and Jaeyoung Huh and Syed Saad Azhar},
journal= {arXiv preprint arXiv:2601.21856},
year = {2026}
}
备注
11 pages, 13 figures