Noise2Stack：利用体数据学习改进图像复原
图像与视频处理
2020-11-11 v1 计算机视觉与模式识别
摘要
生物医学图像是有噪声的。成像设备本身存在物理限制，且在信噪比、采集速度与成像深度之间权衡的实验后果加剧了该问题。因此，去噪是任何图像处理流程中必不可少的部分，而卷积神经网络目前是此任务的首选方法。一种流行的方法 Noise2Noise 不需要干净真值，而是使用第二个噪声副本作为训练目标。像 Noise2Self 和 Noise2Void 这样的自监督方法通过无显式目标学习信号来放宽数据需求，但受限于单幅图像中信息的缺乏。在此，我们提出 Noise2Stack，一种将 Noise2Noise 方法扩展到图像栈的改进，其利用了空间相邻平面间共享的信号。我们在磁共振脑扫描与新采集的多平面显微镜数据上的实验表明，仅从图像栈中的相邻图像学习就足以超越 Noise2Noise 和 Noise2Void，并缩小与有监督去噪方法的差距。我们的发现指向多平面生物医学图像去噪流程中低成本、高回报的改进。作为本工作的一部分，我们发布了一个显微镜数据集以建立多平面图像去噪的基准。
引用
@article{arxiv.2011.05105,
title = {Noise2Stack: Improving Image Restoration by Learning from Volumetric Data},
author = {Mikhail Papkov and Kenny Roberts and Lee Ann Madissoon and Omer Bayraktar and Dmytro Fishman and Kaupo Palo and Leopold Parts},
journal= {arXiv preprint arXiv:2011.05105},
year = {2020}
}