TextureWGAN：用于逆问题的具有 MLE 正则化项的纹理保持 WGAN
图像与视频处理
2020-08-13 v2 机器学习
摘要
针对逆问题已提出许多算法与方法，尤其是近来对机器学习和深度学习方法兴趣的激增。在所有已提出的方法中，最流行且有效的是采用均方误差（MSE）的卷积神经网络（CNN）。该方法已被证明在超分辨率、图像去噪和图像重建中有效。然而，由于 MSE 的性质，该方法已知会使图像过度平滑。基于 MSE 的方法最小化基线图像与 CNN 生成图像间所有像素的欧氏距离，而忽略像素的空间信息（如图像纹理）。本文提出一种基于 Wasserstein GAN（WGAN）的用于逆问题的新方法。我们表明基于 WGAN 的方法能有效保持图像纹理。它还使用最大似然估计（MLE）正则化项来保持像素保真度。保持图像纹理与像素保真度是医学成像的最重要要求。我们使用峰值信噪比（PSNR）和结构相似性（SSIM）定量评估所提方法。我们还进行了图像的一阶和二阶统计纹理分析以评估图像纹理。
引用
@article{arxiv.2008.04861,
title = {TextureWGAN: Texture Preserving WGAN with MLE Regularizer for Inverse Problems},
author = {Masaki Ikuta and Jun Zhang},
journal= {arXiv preprint arXiv:2008.04861},
year = {2020}
}
备注
Submitted to SPIE Medical Imaging Conference 2021