利用带有 Wasserstein 距离和感知损失的生成对抗网络进行低剂量 CT 图像去噪
计算机视觉与模式识别
2018-07-17 v2
摘要
在本文中，我们介绍了一种新的基于生成对抗网络 (GAN) 的 CT 图像去噪方法，该方法结合了 Wasserstein 距离和感知相似性。Wasserstein 距离是最优传输理论的一个关键概念，有望提高 GAN 的性能。感知损失在既定的特征空间中比较去噪输出与真实值的感知特征，而 GAN 有助于将数据噪声分布从强转移到弱。因此，我们提出的方法将我们对视觉感知的知识迁移到图像去噪任务中，不仅能够降低图像噪声水平，同时还能保留关键信息。在使用临床 CT 图像的实验中，我们获得了令人鼓舞的结果。
引用
@article{arxiv.1708.00961,
title = {Low Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance and Perceptual Loss},
author = {Qingsong Yang and Pingkun Yan and Yanbo Zhang and Hengyong Yu and Yongyi Shi and Xuanqin Mou and Mannudeep K. Kalra and Ge Wang},
journal= {arXiv preprint arXiv:1708.00961},
year = {2018}
}