SSDD-GAN：用于中耳植入手术场景完成的单步去噪扩散生成对抗网络
计算机视觉与模式识别
2025-02-11 v1
摘要
近期基于深度学习的图像完成方法，包括填补和扩张，已在有效恢复损坏图像方面显示出前景。其中，生成对抗网络（GAN）和去噪扩散概率模型（DDPM）被用作关键的生成式图像完成方法， 在生成高质量恢复图像、减少伪影并提高细节方面表现突出。在以往工作中，我们开发了一种旨在为中耳手术合成新显微镜位置视图的方法；然而，该方法无法恢复周围手术场景环境。本文提出了一种高效的方法，用于完成合成后中耳手术数据集的手术场景。我们的做法利用真实手术数据集上的自监督学习训练单步去噪扩散-GAN（SSDD-GAN），将扩散模型的优势与GAN的对抗优化相结合，以提高结构相似性结果提升6%。训练好的模型随后被直接应用于合成后中耳手术数据集，采用零样本方法，使能够在无需合成后中耳手术数据集显式 ground-truth 标签的情况下，生成逼真且完整的手术场景。该方法解决了以往工作的关键局限性，为完整的手术显微场景完成提供了新途径，增强了合成后中耳手术数据集在手术术前规划和内手术导航中的可用性。
引用
@article{arxiv.2502.05710,
title = {SSDD-GAN: Single-Step Denoising Diffusion GAN for Cochlear Implant Surgical Scene Completion},
author = {Yike Zhang and Eduardo Davalos and Jack Noble},
journal= {arXiv preprint arXiv:2502.05710},
year = {2025}
}