感知影响：提升低剂量 CT 增强感知损失设计
计算机视觉与模式识别
2025-10-01 v1 人工智能
摘要
感知损失已成为训练网络以增强低剂量计算机断层扫描（LDCT）图像的强大工具，提供了相对于均方误差等传统像素级损失的替代方案，这些损失常常导致重建图像过于平滑，丢失临床相关细节。感知损失在预训练编码器定义的潜在特征空间中工作，旨在通过比较高层特征而非原始像素值来保留语义内容。然而，感知损失的设计涉及关键且尚未充分探讨的决策，包括特征表示层级、用于预训练编码器的数据集，以及在优化过程中分配给感知组件的相对重要性。在本文中，我们引入感知影响概念（一种量化感知损失项对总损失贡献的指标），并提出一种原则性框架来评估损失设计选择对模型训练性能的影响。通过系统化实验，我们表明文献中广泛使用的感知损失配置表现不佳，优于更精心设计的替代方案。我们的发现表明，更好的感知损失设计可显著改善图像的噪声减少和结构保真度，无需更改网络架构。我们还提供了基于统计分析的客观指南，以指导在 LDCT 去噪中有效使用感知损失。我们的源代码已公开于 https://github.com/vngabriel/perceptual-influence。
引用
@article{arxiv.2509.23025,
title = {Perceptual Influence: Improving the Perceptual Loss Design for Low-Dose CT Enhancement},
author = {Gabriel A. Viana and Luis F. Alves Pereira and Tsang Ing Ren and George D. C. Cavalcanti and Jan Sijbers},
journal= {arXiv preprint arXiv:2509.23025},
year = {2025}
}