面向生物医学图像去噪的轻量级数据无关去噪

当前自监督去噪技术取得了令人印象的成果，但其实际应用受到显著的计算和内存需求限制， necessitating 在推断速度和重构质量之间做出折衷。本文提出一种超轻量级模型，以实现快速去噪和高质量图像恢复。基于 Noise2Noise 训练框架——该框架消除了对干净参考图像或显式噪声建模的依赖——我们引入一种创新的多阶段去噪管道命名为 Noise2Detail (N2D)。在推断期间，该方法破坏噪声模式的空间相关性，以产生中间平滑结构，然后从噪声输入中直接重新捕获细节。广泛的测试显示，Noise2Detail 在性能上超过了现有数据无关技术，仅需极少的计算资源。这种效率、低计算成本和数据无关方法的结合，使其成为生物医学成像的有价值工具，克服了由于稀缺和复杂的成像模态导致的干净训练数据不足的问题，同时实现实际应用的快速推断。