利用生成对抗网络与对比学习实现可泛化的显微镜图像去噪
图像与视频处理
2023-03-30 v2 计算机视觉与模式识别
机器学习
摘要
显微镜图像常受到高水平噪声的干扰，这会阻碍进一步的分析与解读。已有研究提出内容感知图像复原（CARE）方法来解决该问题，但这些方法往往需要大量训练数据且容易过拟合。为克服这些挑战，我们提出了一种用于少样本显微镜图像去噪的新框架。我们的方法将经由对比学习（CL）训练的生成对抗网络（GAN）与两项结构保持损失项（结构相似性指数与全变分损失）相结合，以利用少量数据进一步提升去噪图像的质量。我们在三个知名的显微镜成像数据集上证明了方法的有效性，并表明我们能在保持去噪质量的同时大幅减少训练数据用量，从而缓解获取配对数据的负担并实现少样本学习。所提框架可轻松扩展至其他图像复原任务，并有望显著推动显微镜图像分析领域的发展。
引用
@article{arxiv.2303.15214,
title = {Generalizable Denoising of Microscopy Images using Generative Adversarial Networks and Contrastive Learning},
author = {Felix Fuentes-Hurtado and Jean-Baptiste Sibarita and Virgile Viasnoff},
journal= {arXiv preprint arXiv:2303.15214},
year = {2023}
}