基于梯度提升的通用任务驱动医学图像质量增强

感谢ESTR等任务驱动图像质量增强（IQE）模型的最新进展，图像增强模型与视觉识别模型能够相互提升，产生可被人类视觉系统感知的高质量处理图像。然而，现有的任务驱动IQE模型往往忽视了这一事实——不同层次的视觉任务对图像特征的需求不同且有时相互冲突。为此，本文提出了一种用于医学图像任务驱动IQE的通用梯度提升（GradProm）训练策略。具体而言，我们将任务驱动IQE系统划分为两个子模型，即用于图像增强的主流模型和用于视觉识别的辅助模型。在训练期间，GradProm仅在这两个子模型的梯度方向一致时，才更新图像增强模型的参数，这通过它们的余弦相似度进行衡量。如果这两个子模型的梯度方向不一致，GradProm仅使用图像增强模型的梯度来更新其参数。理论上，我们证明了在GradProm实现下，图像增强模型的优化方向不会受到辅助视觉识别模型的偏置。实验上，广泛的在四个公开且具有挑战性的医学图像数据集上的实验结果表明，GradProm在已有最先进方法之上展现了卓越的性能。