RelativeFlow: 不洁净参照を用いた医学画像去ノイズ学習の制御

arXiv:2604.15459v1 告知 タイプ: 横断 摘要：医学画像去ノイズ (MID) は、絶対的にクリーンな画像を監督用として欠くことにより、去ノイズ性能を根本的に制限する不洁净参照問題が発生します。既存の擬似監督型ディスクリミネティブ学習 (SimSDL) と生成学習 (SimSGL) は不洁净参照をクリーン目標として扱っており、最適化に達しないか参照バイアスに陥る一方、自己監督型学習 (SSL) は現実の MID シナリオで稀にのみ満たされる制約されたノイズ仮定を課します。我々は、異種の不洁净参照から学習し、任意の品質レベルの入力を統一された高品質目標へ導くフローマッチング枠組みである **RelativeFlow** を提案します。RelativeFlow は、絶対的なノイズからクリーンの写像を不洁净からノイズ相対的な写像に分解することでフローマッチングを再定義し、以下の 2 つの主要コンポーネントを通じてこの記述を実現します：1) 一貫した輸送 (CoT)、相対的なフローを統一された絶対的なフローの構成要素とし段階的に合成することを制約する変位マップ、および 2) 擬似ベースの速度場 (SVF)、モード特異な劣化演算子を使用して学習可能な速度場を構築し、異なる医学画像モードをサポートします。Computed Tomography (CT) と Magnetic Resonance (MR) 去ノイズでの大規模実験は、RelativeFlow が既存の方法を大幅に凌駕し、不洁净参照を伴う MID を制御できることを示唆します。

arXiv:2604.15459v1 Announce Type: cross Abstract: Medical image denoising (MID) lacks absolutely clean images for supervision, leading to a noisy reference problem that fundamentally limits denoising performance. Existing simulated-supervised discriminative learning (SimSDL) and simulated-supervised generative learning (SimSGL) treat noisy references as clean targets, causing suboptimal convergence or reference-biased learning, while self-supervised learning (SSL) imposes restrictive noise assumptions that are seldom satisfied in realistic MID scenarios. We propose \textbf{RelativeFlow}, a flow matching framework that learns from heterogeneous noisy references and drives inputs from arbitrary quality levels toward a unified high-quality target. RelativeFlow reformulates flow matching by decomposing the absolute noise-to-clean mapping into relative noisier-to-noisy mappings, and realizes this formulation through two key components: 1) consistent transport (CoT), a displacement map that constrains relative flows to be components of and progressively compose a unified absolute flow, and 2) simulation-based velocity field (SVF), which constructs a learnable velocity field using modality-specific degradation operators to support different medical imaging modalities. Extensive experiments on Computed Tomography (CT) and Magnetic Resonance (MR) denoising demonstrate that RelativeFlow significantly outperforms existing methods, taming MID with noisy references.