通过非线性图像动态校正学习横跨厂商的X光图像校准
计算机视觉与模式识别
2025-08-13 v2 图像与视频处理
摘要
本文探讨了如何通过常规图像增强来提高医学图像分析中模型的鲁棒性。通过对来自不同厂商的图像应用常用归一化方法并研究其对迁移学习中模型泛化性的影响，我们表明，特定领域图像动态的非线性特征无法通过简单线性变换来解决。为此，我们将图像校准任务重新表述为曝光校正问题，提出一种称为Global Deep Curve Estimation（GDCE）的方法以减少特定领域的曝光不匹配。GDCE通过预定义的多项式函数进行增强，并配以‘域判别器’训练，以提高下游任务中模型的可解释性，与现有黑盒方法相比更具透明度。
引用
@article{arxiv.2504.10080,
title = {Learning to Harmonize Cross-vendor X-ray Images by Non-linear Image Dynamics Correction},
author = {Yucheng Lu and Shunxin Wang and Dovile Juodelyte and Veronika Cheplygina},
journal= {arXiv preprint arXiv:2504.10080},
year = {2025}
}