面向视网膜底图增强的上下感知最优传输学习
图像与视频处理
2024-09-13 v1 计算机视觉与模式识别
摘要
视网膜底摄影提供了一种非侵入性方法，用于诊断和监测多种视网膜疾病，但容易因系统性瑕疵或操作/患者相关因素而产生固有的质量问题。然而，高质量的视网膜图像对于进行准确诊断和自动化分析至关重要。视网膜底图增强通常被形式化为分布对齐问题，通过在低质量图像与其高质量对应物之间寻找一一映射来实现。本文提出了一种基于上下文感知的最优传输(OT)学习框架，用于解决无配对视网膜底图增强问题。与标准生成式图像增强方法不同，后者在处理上下文信息(如过度操纵的局部结构和不必要的伪影)时常常走弯路，而本文提出的上下文感知OT学习范式更好地保留了局部结构并最小化了不必要的伪影。利用深度上下文特征，我们推导了本文提出的上下文感知OT方法，并展示了该方法在理论上的严格保证。在大型数据集上的实验结果表明，本文方法在信噪比、结构相似性指数以及两个下游任务方面优于多个最先进的监督和无监督方法。代码已公开于\url{https://github.com/Retinal-Research/Contextual-OT}。
引用
@article{arxiv.2409.07862,
title = {Context-Aware Optimal Transport Learning for Retinal Fundus Image Enhancement},
author = {Vamsi Krishna Vasa and Peijie Qiu and Wenhui Zhu and Yujian Xiong and Oana Dumitrascu and Yalin Wang},
journal= {arXiv preprint arXiv:2409.07862},
year = {2024}
}