Learning Enhancement From Degradation: A Diffusion Model For Fundus Image Enhancement

要約

眼底画像の品質は、多くの要因によって損なわれる可能性があり、その多くは適切かつ数学的にモデル化することが困難です。
この論文では、眼底画像を強化するための劣化からの学習強化（LED）という名前の新しい拡散モデルベースのフレームワークを紹介します。
具体的には、最初にデータ駆動型の劣化フレームワークを採用して、対になっていない高品質の画像から低品質の画像への劣化マッピングを学習します。
次に、条件付き拡散モデルを適用して、逆強調プロセスをペアで学習します。
提案された LED は、臨床的に重要な機能をより明確に維持する強調結果を出力することができます。
さらに、推論フェーズでは、LED を既存の眼底画像強調フレームワークと簡単かつ効果的に統合できます。
提案された LED を、臨床的に関連するさまざまな指標に関していくつかのダウンストリーム タスクで評価し、量的および質的に既存の最先端の方法よりも優れていることを実証しました。
ソース コードは https://github.com/QtacierP/LED で入手できます。

要約(オリジナル)

The quality of a fundus image can be compromised by numerous factors, many of which are challenging to be appropriately and mathematically modeled. In this paper, we introduce a novel diffusion model based framework, named Learning Enhancement from Degradation (LED), for enhancing fundus images. Specifically, we first adopt a data-driven degradation framework to learn degradation mappings from unpaired high-quality to low-quality images. We then apply a conditional diffusion model to learn the inverse enhancement process in a paired manner. The proposed LED is able to output enhancement results that maintain clinically important features with better clarity. Moreover, in the inference phase, LED can be easily and effectively integrated with any existing fundus image enhancement framework. We evaluate the proposed LED on several downstream tasks with respect to various clinically-relevant metrics, successfully demonstrating its superiority over existing state-of-the-art methods both quantitatively and qualitatively. The source code is available at https://github.com/QtacierP/LED.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google