用于 CT 图像去噪的多循环一致对抗网络
图像与视频处理
2020-02-28 v1 计算机视觉与模式识别
摘要
CT 图像去噪可视为图像到图像的翻译任务，其目标是学习源域 （含噪图像）与目标域 （干净图像）之间的变换。近来，循环一致对抗去噪网络（CCADN）通过施加循环一致损失而无需配对训练数据，取得了最先进的结果。我们对 CCADN 的详细分析引出了若干有趣问题。例如，若噪声较大导致域 与域 差异显著，我们能否用中间域 桥接 与 ，使得 与 之间及 与 之间的去噪过程都更易学习？由于此类中间域导致多个循环，我们应如何最好地施加循环一致性？受这些问题驱动，我们提出多循环一致对抗网络（MCCAN），其构建中间域并同时施加局部与全局循环一致性。全局循环一致性将所有生成器耦合以建模整个去噪过程，而局部循环一致性对相邻域间的过程施加有效监督。实验表明，局部与全局循环一致性对 MCCAN 的成功均至关重要，且其性能优于最先进水平。
引用
@article{arxiv.2002.12130,
title = {Multi-Cycle-Consistent Adversarial Networks for CT Image Denoising},
author = {Jinglan Liu and Yukun Ding and Jinjun Xiong and Qianjun Jia and Meiping Huang and Jian Zhuang and Bike Xie and Chun-Chen Liu and Yiyu Shi},
journal= {arXiv preprint arXiv:2002.12130},
year = {2020}
}
备注
Accepted in ISBI 2020. 5 pages, 4 figures