DNA-Prior：基于双域先验的无监督去噪任何方法
计算机视觉与模式识别
2025-12-01 v1
摘要
医学成像流程严重依赖于稳健的去噪以稳定下游任务，如分割和重建。然而，许多现有的去噪器依赖于大规模标注数据集或监督学习，这限制了其在临床环境中应用，后者具有异构的成像模态和有限的真值数据。为解决这一限制，我们引入DNA-Prior，一个通用的无监督去噪框架，通过数学原理化的混合先验直接从受污染观测中重构干净图像。DNA-Prior集成了(i)通过深度网络参数化实现的隐式架构先验，与(ii)由频域保真项和空间正则化函数构成的显式光谱-空间先验。这种双域 formulation 构成了一个结构良好的优化问题，能够在无需任何外部训练数据或模态特定调优的情况下，保持全局频率特征和局部解剖结构。跨多个模态的实验表明，DNA在多样化的噪声条件下实现了持续的噪声抑制和结构保持。
引用
@article{arxiv.2511.23124,
title = {DNA-Prior: Unsupervised Denoise Anything via Dual-Domain Prior},
author = {Yanqi Cheng and Chun-Wun Cheng and Jim Denholm and Thiago Lima and Javier A. Montoya-Zegarra and Richard Goodwin and Carola-Bibiane Schönlieb and Angelica I Aviles-Rivero},
journal= {arXiv preprint arXiv:2511.23124},
year = {2025}
}