【图像去噪】论文精读：Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging（D2S）

已于 2025-04-09 14:32:09 修改
阅读量112 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Pytorch深度学习图像去噪算法100例（论文精读+复现） 文章标签： 计算机视觉 图像处理 图像去噪 人工智能 深度学习 论文阅读 论文笔记
于 2025-04-06 12:20:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36584673/article/details/146912788

请先看【专栏介绍文章】：【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）

文章目录

前言

论文题目：Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging —— Deformed2Self：动态医学成像的自监督去噪

论文地址：Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging

论文源码：https://github.com/daviddmc/Deform2Self

MICCAI 2021！

Abstract

图像去噪对于医学成像系统具有重要意义，因为它可以提高疾病诊断和下游图像分析的图像质量。在各种应用中，动态成像技术

了解本专栏 订阅专栏 解锁全文
【图像去噪】论文精读：DiffDenoise: Self-Supervised Medical Image Denoising with Conditional Diffusion Models
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-08 266
论文题目：DiffDenoise: Self-Supervised Medical Image Denoising—— 条件扩散模型用于自监督医学图像去噪论文源码：无arXiv 2025！近年来提出了许多自监督去噪方法。然而，这些方法往往过于平滑的图像，导致丢失对医疗应用至关重要的精细结构。在本文中，我们提出了，这是一种强大的自监督去噪方法，专为医学图像量身定制，旨在保留高频细节。我们的方法包括三个阶段。首先，我们使用预训练的盲点网络的输出作为条件输入，在噪声图像上训练扩散模型。
【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
01-14 1万+
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
图像处理代码合集:特征提取-图像分割-分类-匹配-降噪
热门推荐
满城风絮
10-12 1万+
这几天在研究血管增强与分割，发现一个比较全面的图像处理方面的项目集合，里面涵盖了特征提取、图像分割、图像分类、图像匹配、图像降噪，光流法等等方面的项目和代码集合，项目是2012年之前的，但是涵盖比较基础的原理知识，用到的时候可以参考一下： Topic Resources References Feature Extraction
【图像去噪】论文复现：天秀空间变换！匹配同一场景不同时间帧图像内容，可以多图像输入！端到端动态成像自监督去噪框架D2S的Pytorch源码复现，跑通源码，图文展示，框架拆解，注释详细！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-09 811
论文题目：Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging —— Deformed2Self：动态医学成像的自监督去噪【图像去噪】论文精读：Deformed2Self: Self-Supervised Denoising for Dynamic Medical Imaging（D2S）D2S的意义不仅在于MRI图像，荧光显微，其他的图像也都适用，所以说多看多学，医学图像用的模型自然图像也能用，反之亦然；
（二十八：2021.01.10）MICCAI 2019 追踪之论文纲要（中）
Jojo论文基地
01-09 3460
讲在前面 暂时先更新PART I, 持续更新。 论文目录 PART I Optical Imaging（光学影像） 概要 1.Enhancing OCT Signal by Fusion of GANs: Improving Statistical Power of Glaucoma Clinical Trials通过GAN融合增强OCT信号：提高青光眼临床试验的统计能力 2.A Deep Reinforcement Learning Framework for Frame-by-Fr
转载：图像处理中项目代码合集，包括特征提取-图像分割-分类-匹配-降噪等等...
weixin_33973609的博客
07-11 674
图像处理中项目代码合集，包括特征提取-图像分割-分类-匹配-降噪等等 2017年10月12日 16:58:13 这几天在研究血管增强与分割，发现一个比较全面的图像处理方面的项目集合，里面涵盖了特征提取、图像分割、图像分类、图像匹配、图像降噪，光流法等等方面的项目和代码集合，项目是2012年之前的，但是涵盖比较基础的原理知识，用到的时候可以参考一下： ...
【图像去噪】耗时999999个小时！一次看个够！专栏内100个去噪算法大合集，理论速览，核心精炼！内含每篇文章的参考文献Bib格式，论文写作必备！随取随用！（持续更新中）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-17 2001
图像去噪论文大合集，化繁为简，精炼论文，蹲坑食用，效果更佳，速记速查，论文不麻
计算机视觉领域经典论文源码
女王の专属领地
10-09 1万+
计算机视觉领域经典论文源码 转载自：http://blog.csdn.net/ddreaming/article/details/52416643 2016-CVPR论文代码资源： https://tensortalk.com/?cat=conference-cvpr-2016 一个GitHub账号，里面有很多计算机视觉领域最新论文的代码
【AI视野·今日CV 计算机视觉论文速览 第226期】Thu, 24 Jun 2021
TomRen
06-24 1486
AI视野·今日CS.CV 计算机视觉论文速览 新型模型permutator，数据集，多模态数据集，模型
ScanNet项目介绍
frostmelody 全网同名，大家多多关注呀~ 持续分享优质内容！
08-15 923
是一个大型的，专门用于室内场景的理解和三维重建。简单来说，研究人员用特殊的相机（能同时捕捉彩色图像和深度信息）在 1500 多个不同的室内场景（如办公室、公寓）中进行了扫描，总共收集了 250 万个视角的图像。这个数据集不仅包含原始的视频数据，还提供了处理好的、精确的以及非常详细的（比如，这个是椅子，那个是桌子）。
2025-08-17 李沐深度学习16——目标检测
zheliku的博客
08-17 611
目标检测是计算机视觉的核心任务，旨在识别图片中多个感兴趣物体并确定其位置（通过边界框表示）。相比图像分类，目标检测需处理多物体识别和定位问题，应用场景广泛，如自动驾驶、安防监控和工业质检。 关键方法包括**锚框（Anchor Box）**技术，通过预定义候选框并预测其偏移量来简化边界框回归。**交并比（IOU）用于评估锚框与真实框的重叠程度，而非极大值抑制（NMS）**则用于去除冗余预测框。COCO是目标检测领域的重要数据集，包含80类物体和超150万标注实例。 目标检测标注成本高、计算复杂，但基于锚框的算
【计算机视觉与深度学习实战】03基于Canny、Sobel和Laplacian算子的边缘检测系统设计与实现
nmdbbzcl的博客
08-16 161
本文设计和实现的边缘检测系统在多个方面体现了现代图像处理应用的先进特性。首先，系统通过集成三种经典的边缘检测算法（Canny、Sobel、Laplacian），为用户提供了全面的边缘检测解决方案。每种算法都提供了丰富的参数控制接口，使得用户能够根据具体的应用需求进行精细调节。系统的模块化设计确保了良好的可扩展性，新的边缘检测算法可以很容易地集成到现有框架中。在用户体验方面，系统实现了直观的图形用户界面，支持实时参数调节和即时结果预览。
【arXiv2025】计算机视觉|FGA：即插即用！让你的模型精准预测人群密度！
m0_51665349的博客
08-18 232
本研究提出了傅里叶引导注意力（FGA），一种用于人群计数估计的新型注意力机制，旨在解决现有基于卷积的注意力网络中全尺度全局模式捕获效率低下的问题。FGA 通过利用快速傅里叶变换 (FFT)以及针对全局特征的空间注意力和针对半全局和局部特征的通道注意力卷积来有效地捕获多尺度信息，包括全尺度全局模式。FGA 的架构涉及双路径方法：（1）通过 FFT 处理全尺度全局特征的路径，从而有效提取频域信息；（2）使用传统卷积和通道注意力处理剩余特征图以获取半全局和局部特征的路径。这种双路径架构使 FGA 能够无缝集成。
【完整源码+数据集+部署教程】无人机目标检测系统源码和数据集：改进yolo11-efficientViT
2301_78772942的博客
08-18 547
【完整源码+数据集+部署教程】无人机目标检测系统源码和数据集：改进yolo11-efficientViT
计算机视觉（opencv）实战四——图片阈值处理cv2.threshold(）
2302_78022640的博客
08-15 1173
阈值处理的作用，其实就是，让我们更容易分析和处理有用的部分。
YOLO12 改进、魔改｜频域自注意力求解器FSAS,通过频域高效计算自注意力，在降低时间与空间复杂度的同时保留关键特征信息，提升遮挡、小目标检测
qq_64693987的博客
08-17 629
FSAS是一种基于频域的自注意力机制，通过快速傅里叶变换将传统空间域O(N²)复杂度的注意力计算转换为频域O(NlogN)运算。该方法将查询和键特征转换到频域进行元素乘积计算相关性，再逆变换回空间域生成注意力图，显著降低了高分辨率图像处理的计算成本。FSAS能同时保留图像的高频（细节）和低频（全局）信息，在目标检测和图像分割任务中表现优异，尤其适合与YOLO系列模型结合提升小目标和遮挡场景的检测精度。论文还提供了将FSAS集成到YOLOv12的具体代码实现方案。
实例分割-动手学计算机视觉13
2501_92532948的博客
08-16 966
本文介绍了实例分割的基本概念及其经典方法Mask R-CNN。实例分割结合了目标检测和语义分割，不仅能区分不同类别，还能识别同一类别下的不同实例。Mask R-CNN在Faster R-CNN基础上引入特征金字塔网络(FPN)和ROI对齐(ROIAlign)技术，并增加掩模预测分支，显著提升了分割精度。文章详细阐述了FPN的多尺度特征融合机制和ROIAlign避免坐标取整误差的优势，并提供了基于PyTorch的FPN实现代码。最后演示了使用预训练Mask R-CNN模型进行实例分割的完整流程，包括环境配置、
OpenCV图像处理2：边界填充与平滑滤波实战
weixin_73958875的博客
08-14 1294
摘要：本文介绍了OpenCV中常用的图像处理技术，包括边界填充（四种填充方式）、图像运算（直接相加和加权相加）、阈值处理（五种阈值化方法）以及图像平滑处理（均值滤波、高斯滤波、方框滤波和中值滤波）。重点讲解了各方法的原理、适用场景和实现代码，其中边界填充使用copyMakeBorder()函数，图像平滑处理针对椒盐噪声展示了不同滤波效果，特别指出中值滤波对去除椒盐噪声效果最佳。这些技术为图像处理中的边缘处理、噪声消除和特征增强提供了基础解决方案。
母猪姿态转换行为识别：计算机视觉与行为识别模型调优指南
最新发布
Loving_enjoy的博客
08-18 34
print(f"模型参数量：{sum(p.numel() for p in model.parameters())/1e6:.2f}M")sequence = [0, 0, 0, 1, 1, 2, 2, 3, 3, 0] # 0:站立, 1:侧卧, 2:俯卧, 3:行走。plt.subplot(122), plt.imshow(augmented), plt.title("增强后图像")plt.subplot(121), plt.imshow(original), plt.title("原始图像")
ZZ-Net：2D点云的通用旋转不变架构详解
该研究论文首先介绍了在数学中的群作用概念（G-action），将群元素映射到集合X上的对称性操作。在这里，G通常指旋转群SO(2)，表示所有可能的二维旋转，而Sm则是可能的排列群，用于对点云的维度进行操作。在定义G-...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

十小大

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值