利用一致性训练技术增强低剂量计算机断层扫描图像

Mahmut S. Gokmen; Jie Zhang; Ge Wang; Jin Chen; Cody Bumgardner

利用一致性训练技术增强低剂量计算机断层扫描图像

图像与视频处理 2024-11-20 v1 人工智能计算机视觉与模式识别

作者: Mahmut S. Gokmen , Jie Zhang , Ge Wang , Jin Chen , Cody Bumgardner

摘要

扩散模型对广泛的生成任务产生了重大影响，特别是在图像修复和图像恢复方面。尽管旨在减少函数评估次数 (NFE) 方面取得了改进，但迭代结果在计算上仍然昂贵。一致性模型作为一类新的生成模型，无需对抗训练即可实现高质量数据的单步采样。在本文中，我们引入了 beta 噪声分布，它在调整噪声水平方面提供了灵活性。这与正弦课程相结合，增强了噪声分布和感兴趣的后验分布之间轨迹的学习，允许高噪声改进一致性训练 (HN-iCT) 以有监督的方式进行训练。此外，引入了带有图像条件的高噪声改进一致性训练 (HN-iCT-CN) 架构，能够将低剂量图像作为条件，通过加权注意力门 (WAG) 提取重要特征。我们的结果表明，在 CIFAR10 和 CelebA 数据集上，使用 HN-iCT 的无条件图像生成在 NFE=1 的情况下显著优于基本的 CT 和 iCT 训练技术。此外，我们的图像条件模型在增强低剂量 (LD) CT 扫描方面表现出卓越的性能。

关键词

低剂量 CT 一致性模型图像恢复扩散模型图像条件

引用

@article{arxiv.2411.12181,
  title  = {Enhancing Low Dose Computed Tomography Images Using Consistency Training Techniques},
  author = {Mahmut S. Gokmen and Jie Zhang and Ge Wang and Jin Chen and Cody Bumgardner},
  journal= {arXiv preprint arXiv:2411.12181},
  year   = {2024}
}

利用一致性训练技术增强低剂量计算机断层扫描图像

摘要

关键词

引用

相关论文