用于低剂量CT去噪的渐进式J-不变自监督学习
计算机视觉与模式识别
2026-05-25 v4
摘要
自监督学习在低剂量计算机断层扫描（LDCT）图像去噪中受到越来越多的研究，因为它减轻了对配对正常剂量CT（NDCT）数据的依赖，而这些数据通常难以收集。然而，许多现有的自监督盲点去噪方法由于感受野受限，存在训练效率低下和性能欠佳的问题。为了缓解这一问题，我们提出了一种新颖的渐进式J-不变学习，该方法最大限度地利用J-不变性来增强LDCT去噪性能。我们引入了一种逐步盲点去噪机制，以渐进方式强制执行条件独立性，从而实现更细粒度的去噪学习。此外，我们在训练过程中显式地注入受控的高斯和泊松噪声组合，以正则化去噪过程并减轻过拟合。在Mayo LDCT数据集上进行的大量实验表明，所提出的方法始终优于现有的自监督方法，并且性能可与几种代表性的监督去噪方法相媲美或更优。
引用
@article{arxiv.2601.14180,
title = {Progressive $\mathcal{J}$-Invariant Self-supervised Learning for Low-Dose CT Denoising},
author = {Yichao Liu and Zongru Shao and Yueyang Teng and Junwen Guo},
journal= {arXiv preprint arXiv:2601.14180},
year = {2026}
}