Noise Suppression With Similarity-Based Self-Supervised Deep Learning

降噪 人工智能 噪音(视频) 监督学习 相似性(几何) 模式识别(心理学) 计算机科学 深度学习 噪声测量 机器学习 图像(数学) 人工神经网络
作者
Chuang Niu,Mengzhou Li,Fenglei Fan,Weiwen Wu,Xiaodong Guo,Qing Lyu,Ge Wang
出处
期刊:IEEE Transactions on Medical Imaging [Institute of Electrical and Electronics Engineers]
卷期号:42 (6): 1590-1602 被引量:52
标识
DOI:10.1109/tmi.2022.3231428
摘要

Image denoising is a prerequisite for downstream tasks in many fields. Low-dose and photon-counting computed tomography (CT) denoising can optimize diagnostic performance at minimized radiation dose. Supervised deep denoising methods are popular but require paired clean or noisy samples that are often unavailable in practice. Limited by the independent noise assumption, current self-supervised denoising methods cannot process correlated noises as in CT images. Here we propose the first-of-its-kind similarity-based self-supervised deep denoising approach, referred to as Noise2Sim, that works in a nonlocal and nonlinear fashion to suppress not only independent but also correlated noises. Theoretically, Noise2Sim is asymptotically equivalent to supervised learning methods under mild conditions. Experimentally, Nosie2Sim recovers intrinsic features from noisy low-dose CT and photon-counting CT images as effectively as or even better than supervised learning methods on practical datasets visually, quantitatively and statistically. Noise2Sim is a general self-supervised denoising approach and has great potential in diverse applications.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2秒前
小小莫发布了新的文献求助10
2秒前
无辜澜发布了新的文献求助10
3秒前
5秒前
5秒前
比较大的小布丁完成签到,获得积分20
7秒前
科研通AI5应助称心的乘云采纳,获得10
8秒前
阳yang发布了新的文献求助10
11秒前
小先完成签到,获得积分10
11秒前
zhizu完成签到,获得积分10
12秒前
FashionBoy应助陈卓采纳,获得10
13秒前
14秒前
15秒前
深情安青应助林林采纳,获得10
15秒前
16秒前
李健的小迷弟应助zhizu采纳,获得10
17秒前
天天发布了新的文献求助10
19秒前
蒋臻凯发布了新的文献求助10
20秒前
科研通AI5应助AA采纳,获得10
20秒前
昏睡的蟠桃应助资白玉采纳,获得30
20秒前
大个应助钢笔采纳,获得10
21秒前
ruiruili完成签到,获得积分20
21秒前
22秒前
23秒前
善学以致用应助chenlihuan采纳,获得10
24秒前
隐形曼青应助科研通管家采纳,获得10
24秒前
劲秉应助科研通管家采纳,获得10
24秒前
科目三应助科研通管家采纳,获得10
24秒前
愉快夏应助科研通管家采纳,获得10
24秒前
科研通AI5应助科研通管家采纳,获得30
24秒前
在水一方应助科研通管家采纳,获得20
24秒前
情怀应助科研通管家采纳,获得10
24秒前
24秒前
sagzy应助科研通管家采纳,获得10
25秒前
小蘑菇应助科研通管家采纳,获得10
25秒前
26秒前
科研通AI5应助kkdkg采纳,获得10
26秒前
27秒前
天真纹发布了新的文献求助10
28秒前
科研通AI5应助byyyak采纳,获得10
28秒前
高分求助中
All the Birds of the World 4000
Production Logging: Theoretical and Interpretive Elements 3000
Les Mantodea de Guyane Insecta, Polyneoptera 2000
Am Rande der Geschichte : mein Leben in China / Ruth Weiss 1500
CENTRAL BOOKS: A BRIEF HISTORY 1939 TO 1999 by Dave Cope 1000
Machine Learning Methods in Geoscience 1000
Resilience of a Nation: A History of the Military in Rwanda 888
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3736207
求助须知:如何正确求助?哪些是违规求助? 3279988
关于积分的说明 10017941
捐赠科研通 2996592
什么是DOI,文献DOI怎么找? 1644198
邀请新用户注册赠送积分活动 781831
科研通“疑难数据库(出版商)”最低求助积分说明 749491