SGW-GAN：用于视网膜眼底图像增强的 Sliced Gromov-Wasserstein 引导生成对抗网络
计算机视觉与模式识别
2026-01-21 v1
摘要
视网膜眼底照相对于眼科筛查和诊断不可或缺，但图像质量常因噪声、伪影和光照不均而下降。近期基于 GAN 和扩散的增强方法通过将退化图像与高质量分布对齐来提升感知质量，但我们的分析表明，这种关注会扭曲类内几何结构：临床相关样本变得分散，疾病类别边界模糊，并损害分级或病变检测等下游任务。Gromov Wasserstein (GW) 差异提供了一种有原则的解决方案，通过内部成对距离对齐分布，自然地保持类内结构，但其高昂的计算成本限制了实际应用。为克服这一问题，我们提出了 SGW-GAN，这是首个将 Sliced GW (SGW) 引入视网膜图像增强的框架。SGW 通过随机投影近似 GW，在保持关系保真度的同时大幅降低成本。在公开数据集上的实验表明，SGW-GAN 产生了视觉上令人信服的增强效果，实现了更优的糖尿病视网膜病变分级，并报告了跨疾病标签的最低 GW 差异，证明了对非配对医学图像增强的高效性与临床保真度。
引用
@article{arxiv.2601.13417,
title = {SGW-GAN: Sliced Gromov-Wasserstein Guided GANs for Retinal Fundus Image Enhancement},
author = {Yujian Xiong and Xuanzhao Dong and Wenhui Zhu and Xin Li and Oana Dumitrascu and Yalin Wang},
journal= {arXiv preprint arXiv:2601.13417},
year = {2026}
}