《Speckle noise reduction in optical coherence tomography images based on edge-sensitive cGAN》文章学习

这篇论文是苏州大学陈新建教授团队的。因为这篇论文中有去噪，所以关注了这篇论文。

一、文章概要

这篇论文主要思想是：提出了一种端到端的用于基于条件生成对抗网络（cGAN），用于去除Bscans中的斑点噪声。目标函数中引入了新的边缘损耗，使网络对边缘信息敏感，从而在均匀区域平滑的同时实现了良好的边缘保持。

文中所述，边缘信息的作用：虽然OCT去噪的主要目的是减少均匀区域的颗粒状外观，但另一个重要问题是保留图像细节，尤其是边缘，因为边缘是视觉检测和视觉检测所需的最重要信息。自动分析，如分割。 由于OCT图像中的噪声水平高，许多空间滤波器倾向于使图像过度平滑，导致边缘处的对比度降低。 基于块匹配的方法可能导致由不同块中的边缘的不一致引起的边缘失真。 基于变换的方法还倾向于在边缘附近产生具有变换基础形状的伪像。

                                                                                  图一：整体流程

二、cGAN介绍

1. 纵观cGAN

条件生成模型网络cGAN：与学习从随机噪声到输出图像的映射的原始GAN不同，cGAN生成以观察图像为条件的输出图像。 cGAN由两个具有相反目标的模块组成：生成器G，用于提取观察图像x的特征并生成相应的伪图像y(fake)，鉴别器D，用于分类真实对（x，y(real)）和假对（x，y(fake)）。如图二所示。CGAN目标是从X和随机变量Z中学习到Ground Truth y的映射。

 

2.cGAN中loss

• X:输入图片；
• z:随机噪声；