Il Framework RelativeFlow Affronta il Problema dei Riferimenti Rumoreggiati nella Riduzione del Rumore delle Immagini Mediche

Un nuovo framework chiamato RelativeFlow affronta la sfida dei riferimenti rumoreggiati che ostacola l'efficacia della riduzione del rumore nelle immagini mediche. A differenza dei metodi attuali, RelativeFlow utilizza riferimenti rumoreggiati diversi e indirizza input di qualità variabile verso un obiettivo comune di alta qualità. Questo framework scompone la relazione assoluta rumore-pulito in mappature relative da più rumoroso a rumoroso. Si basa su due elementi principali: il trasporto consistente (CoT), che funge da mappa di spostamento, e un componente aggiuntivo non specificato. Le tecniche tradizionali, come l'apprendimento discriminativo supervisionato simulato (SimSDL) e l'apprendimento generativo supervisionato simulato (SimSGL), considerano erroneamente i riferimenti rumoreggiati come target puliti, risultando in una convergenza inadeguata. L'apprendimento auto-supervisionato (SSL) spesso impone ipotesi di rumore irrealistiche nei contesti pratici di imaging medico. I risultati sono stati pubblicati su arXiv con l'identificatore 2604.15459v1.