用于手持制肤图像无监督失效修复的扩散自编码器

手持制肤成像设备的出现使得眼底诊断和疾病筛查更加可及、有效且经济。然而，这些设置捕获的图像常常受到闪光反射、曝光变化和运动引起的模糊等失效的影响，这些失效会降低图像质量并阻碍后续分析。虽然生成模型在图像修复方面表现出色，但大多数依赖成对监督或预定义的失效结构，使其不太适用于手持制肤图像中常见的非结构化退化。为此，我们提出了一个无监督扩散自编码器，将情境编码器与去噪过程集成，以学习用于失效修复的语义意义表征。该模型仅在高质量桌面制肤图像上进行训练，并推断以修复受失效影响的手持获取。我们通过定量和定性评估验证了修复效果，并展示了诊断准确率在未见数据集和多种失效条件下提升至 81.17%。