NAADA：用于牙科全景片的噪声感知注意力去噪自编码器
图像与视频处理
2025-06-25 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
卷积去噪自编码器（DAEs）是图像恢复的强大工具。然而，它们继承了卷积神经网络（CNN）的关键局限性：在恢复低频特征（如平滑区域）方面比恢复高频细节更有效。这会导致细节丢失，在牙科影像中尤其 problematic，因为保持细微解剖结构至关重要。虽然自注意力机制可帮助缓解此问题，通过强调重要特征，但常规注意力方法往往优先处理干净区域对应的特征，可能忽略噪声遮蔽的特征。为此，我们提出了噪声感知自注意力方法，使模型能够有效聚焦于即使在噪声区域也能恢复关键特征。基于此方法，我们引入了噪声感知注意力增强去噪自编码器（NAADA）网络，用于增强噪声牙科全景片。与最近的SOTA方法（如Uformer、MResDNN等）相比，NAADA在恢复细节方面取得显著提升，确保更好的图像质量和诊断准确性。
引用
@article{arxiv.2506.19387,
title = {NAADA: A Noise-Aware Attention Denoising Autoencoder for Dental Panoramic Radiographs},
author = {Khuram Naveed and Bruna Neves de Freitas and Ruben Pauwels},
journal= {arXiv preprint arXiv:2506.19387},
year = {2025}
}
备注
10 pages, 8 figures