自监督可逆神经网络的低剂量CT去噪方法

5614利用层间一致性Sutanu Bera，Prabir Kumar Biswas印度技术学院印度Kharagpursutanu. iitkgp.ac.in，pkb@ece.iitkgp.ac.in摘要深度神经网络的复兴通过学习低剂量CT（LDCT）和正常剂量CT（NDCT）图像对之间的非线性变换函数，为低剂量计算机断层扫描去噪创建了替代途径然而，这些配对的LDCT和NDCT图像在临床环境中很少可用，使得深度神经网络部署不可行。提出了一种新的自监督低剂量CT去噪方法，以减轻对LDCT和NDCT图像的要求。具体来说，我们已经训练了一个可逆神经网络，以最小化噪声切片与其两个紧邻噪声切片的平均值之间的基于像素的均方距离。我们已经证明了上述方法类似于训练神经网络以最小化干净NDCT和噪声LDCT图像对之间的距离。同样，在可逆网络的反向映射期间，输出图像被映射到原始输入图像，类似于循环一致性损失。最后，将训练好的可逆网络的前向映射用于LDCT图像的去噪。在两个公开数据集上的大量实验表明，我们的方法优于其他现有的无监督方法。1. 介绍低剂量计算机断层扫描（LDCT）成像通过减少患者在成像时的辐射暴露，为计算机断层扫描（CT）成像的频繁要求提供了一种非脆弱的解决方案[2]，[22]。然而，辐射剂量的降低通过产生若干伪影和噪声而导致低剂量CT图像的诊断质量的劣化。在过去的几十年里，研究人员试图通过各种图像后处理方法来恢复LDCT图像的诊断质量。在这些方法中，深度神经网络已被证明是最有效的，由于其值得称赞的表达，图1：我们提出的方法的说明。在正向传递过程中，输入图像被映射到两个相邻切片的空间平均值，并且在反向映射过程中，输出图像被映射回原始噪声图像。因此，前向映射类似于Noise2Noise[16]范例，并且反向映射充当正则化器，强制没有信息丢失。权力[3]。 尽管与手工制作的先验函数相比，神经网络实现了更好的图像质量，但几乎所有基于神经网络的方法在训练期间都需要噪声和干净的图像。然而，成对的干净和有噪声的图像在实际场景中很少可用。因此，在没有干净图像的情况下训练深度网络至关重要。最近，研究探索在没有干净图像的情况下训练深度网络的可能性的研究激增，目的是对被合成噪声破坏的自然图像进行去噪[16]，[1]，[23]。然而，我们发现这些广义解在复杂的信号依赖性CT噪声中不能充分执行，或者由于不方便的训练过程而不适合。 最近吴等。[25]提出了一种基于Noise2Noise [16]范式的LDCT去噪自监督方法。然而，为了生成同一噪声图像的两个独立实现，他们的方法需要将整个投影数据划分为奇数和偶数投影集。这种启发式方法降低了输入图像的空间分辨率和信号强度，并且还由于与现有CT扫描仪的工作流程的干扰而限制了该技术的部署。5615θ⊙θ在这项研究中，我们提出了一种新的自监督低剂量CT去噪方法。首先，我们提出了使用片间同余产生两个噪声观察同一图像。我们使用两个相对相邻切片的轴向平均值来近似当代切片的第二次噪声观察。然而，上述方法在两个噪声观测之间产生了残余偏移。作为一种补救措施，我们利用了最近提出的可逆神经网络的概念，它既可以作为正则化器，也可以作为恢复网络。具体来说，在前向映射期间，我们使用网络将噪声轴向切片映射到其两个相对相邻切片的平均值，并且在反向映射期间，输出再次映射回原始噪声图像。可逆网络的信息无损特性作为正则化器来克服由于轴向近似而发生的残余偏移。我们在两个数据集上评估了我们提出的方法;即2016年 NIH-AAPM-Mayo Clinic 低 剂 量 CT 大 挑 战 赛 和ELCAP公共肺部图像数据库。在这两个数据集上进行的大量实验表明，我们的方法明显优于其他最先进的无监督或自监督低剂量CT去噪方法。2. 与其他方法的比较：近年来，人们对在没有干净图像对的情况下训练神经网络给予了很多关注。在这些方法中，void网络或noise2self[13]，[1]，[15]是合成噪声降噪性能的领导者，但我们已经证明这些网络在复杂的CT噪声中表现不佳。另一方面，深度图像先验[23]是另一种对图像进行降噪的自监督方法。然而，迭代深度图像先验没有任何定义的停止标准，这使得它不适合医学应用;随着 更 多 的 迭 代 ， 网 络 产 生 原 始 的 噪 声 图 像 。 Cy-cleGAN 框 架 [29]是 另 一 个 著 名 的 无 监 督 去 噪 方 法[17]，[18]，[9]的基础。在这些方法中，使用不成对的训练数据来训练去噪网络。然而，用CycleGAN框架训练的网络很难收敛所选择的超参数也会影响去噪性能。最近，D Wu et al. [25]提出了一种用于LDCT去噪的一致性损失函数;然而，他们的方法需要在对正弦图数据进行反投影以重建输入图像之前将投影数据分成两组。由于与现有CT扫描仪的工作流程的干扰，这限制了该技术的部署。然而，我们的方法是一种简单的即插即用方法，并且不与标准CT扫描仪的工作流程相冲突。3. 方法3.1. 可逆神经网络可逆神经网络（INN）最初是为概率模型的无监督学习而设计的[5]。这些网络可以通过双射函数将一个分布转换为另一个分布，而不会丢失信息。因此，它们非常适合用作标准化流量[12]。在最近的工作中，它们已被用于各种图像到图像转换任务[28]，[24]，图像降噪[14]，[20]，图像重新缩放[26]，图像超分辨率[19]等。INN由保证其输入和输出之间的可逆关系的层组成 每个可逆块，必须满足以下条件，如果n = fθ（m），则m = f −1（n），其中fθ是可逆块，m和n是块的输入和输出。在我们的研究中，我们利用了[6]中提出的可逆块公式。对于第l个块，使用相同大小的信道方式分裂将输入m 分裂成两个组m1和m2。然后，它们经历如下的具有同一性分支扩增的加性仿射变换：n1=m1+m1（m2）（1）n2=m2<$expσ（n2（n1））+n3（n1）（2）这里，意味着元素乘法。在反向映射期间，给定输出n1和n2，输入m1和m2可以计算为m2=（n2−<$3（n1））<$exp−σ（<$2（n1））（3）m1=m2−m1（m1）（4）在此， R1、 R2、 R3可以是任何函数（例如，卷积层），而对可逆性没有任何限制。上述公式能够直接确定反函数f-1，而没有任何复杂的计算或信息损失。3.2. 切片间同余让通常，Yi=Xi+ηi，其中ηi是观测噪声的随机变量。我们对观测到的噪声的特性有任何预先假设“+“符号表示在每个像素处存在与原始信号相加的观察到我们唯一的假设是η1、η2和η3，即，在不同轴向切片中观察到的噪声在统计上彼此独立。这对于CT图像来说总是正确理想情况下，X1=X2+δ1。其中δi是补偿两个切片之间较小轴向距离的偏移量5616−−IE∈EE∈E−我我¨2与X2相比，因此我们可以忽略此项（我们将我Y我（九）代 入 X1的 值 ，我 们 可 以 得 到 Y1η1=X2+δ1 ， 或Y1=X2+δ1+η1。类似地，由X2=X3+δ2，我们可以得到Y3=X2δ2+η3.将上述两个表达式相加，我们得到核心编码器Y将输入噪声切片Yi作为输入，并产生更高维度的过完备3D特征图YiRC×W×H，即， Yi=Y（Yi）. 这里，W和H是输入噪声图像的宽度和高度12（Y1+Y3）=X2+12（δ1−δ2）+1（η1+η3）（5）2patch，C是特征图中的通道数。该特征图Y_i被用作到i_v_i的输入。我在前进的地图上。我产生的可逆核心或者，1输出Y∈RC×W×H。解码器DY投影2（Y1+Y3）<$X2+η2′（六）更高维度的特征映射到图像空间。因此，在本发明中，这里，η2′=1（η1+η3）。1（δ1-δ2）的值非常小解码器DY的输出是预测的干净图像22XXX，即，X=D（Y）。 在反向映射期间，在第2.3节中讨论更多内容由θ参数化的深度神经网络f（;θ）可以被训练以最小化以下距离函数：编码器X首先将所预测的干净图像X_1作为输入并产生更高维度的过完备3D特征图XiRC×W×H，即，X=X（Xi）. 然后，该特征图被转换成更高维的θ*= argminθ，d.1f（Y2;θ），2（Y1+Y3）Σ，（7）特征图∈RC×W×H使用反向可逆核心I-1。最后，解码器DX项目Xi进入预测或者，或者，θ*= argminθ*θ =argminθ，d..f（Y2;θ），X2+η2′，但是，（八）噪声图像Yi. 因此，forward和reverse过程的映射由下式给出：正向=DYI EY反向=DXI−1EX可逆核I及其逆I−1共享参数根据Lehtinenet al. [16]训练神经网络最小化同一干净信号的两个独立的有噪实现之间的距离等效于通过最小化原始干净信号和有噪信号之间的距离来训练神经网络。所以，θm= argmin，d. f（Y2;θ），X2}，（10）3.3. 设计理念我们在图1中给出了我们提出的方法的图形表示。如图所示，在前向映射期间，将噪声输入图像映射到其两个相邻切片的平均值如上一节所述，这类似于训练神经网络将噪声图像映射到无噪声图像对应物。虽然我们说偏移δ1δ2可以忽略不计，但在某些情况下，它可能变得相当大，特别是在器官的开始和结束处（我们已经展示了一个前彼此的关系从本质上讲，训练-1将自动化，小火车反之亦然。 通过训练可逆网-对于反向映射，我们调节在末端器官情况下在正向映射中可能发生的信息损失，对于反向映射，我们在目标噪声图像和预测噪声图像之间具有精确的逐像素对应图2中给出了所提出的网络的直观说明。我们使用像素洗牌和unshuffle层来下采样和上采样特征图，因为这两个层满足可逆性属性。我们总共使用了12个倒置块的详细逐层描述该网络在表1中给出。3.4. 学习在我们的研究中，我们使用均方误差作为重建损失。在前向映射中，在预测的干净图像X_i和t_w_o的平均值之间，相邻噪声切片，即211L=（Y+Y）−X轴（十一）（见第4.1节）。 为了使这个网络正规化，在最终器官的情况下，我们在可逆网络的反向映射期间再次将输出图像映射回噪声输入图像，类似于循环一致性损失。此外，还设计或者，LfF11=k？2（YKi−12i−1+Yi+1）−Ei+1i我的天2（Yi）？2（十二）θ¨我Df（X2+η2;θ），X2+η25617¨XYRK我2在训练开始之前满足周期一致性，这再次从切片间平滑调节网络，器官移植的终结在我们的设计中，我们使用了两个...在反向映射期间，计算预测的噪声图像Yi和原始噪声图像Yi之间的损失，即E，E）、两个解码器（D，D），和一个可逆的1L=Y -Y2（十三）编码器（YX我56181¨¨1L×L LLR克我XXYY我 ¨2图层名称细节EY单卷积层，1个输入通道和64个输出通道。 内核大小3 ×3。EX单卷积层，1个输入通道和64个输出通道。 内核大小3 ×3。DX单卷积层64输入通道和1输出通道。 内核大小3 ×3。DY单卷积层64输入通道和1输出通道。 内核大小3 ×3。伊什致密块[8]，生长速率为32，四层。内核大小为3 ×3，64个输入输出通道。表1：我们的方法中使用的每个组分的详细信息。图2：建议网络的简化图示表1给出了网络的详细分层描述或者，或者，Lr=kYi- EX ◦ I−1DX2（Xi）2（十四）对于我们提出的方法的客观评价，D2仅用于主观评价。对于数据集D1，我们使用来自7名患者的CT切片作为训练集，并使用其余3名患者为L=<$Y− E I−1 D。EID（Y）2（15）数据集D2，我们使用来自30名患者的图像作为我们的训练数据，并遵循与上述相同的训练程序这里k是每个批次中的样本总数的总损失=f+r被反向传播用于每个批次以训练网络。注意，在训练过程中，损失f永远不会完全最小化，因为这里要求网络解决一个不可能的任务，即，把一个嘈杂的版本一个图像变成另一个嘈杂的版本。训练后，该网络产生的图像与噪声目标图像的平均偏差最小，与偏差最小化估计器的一般类别相同[10]，[16];这个估计的图像原来是原始的干净图像。4. 实验设置我们在一个合成数据集和一个临床数据集（称为D1和D2）上评价了所提出的方法，如下所述：1. D1：2016 NIH-AAPM-Mayo Clinic低剂量CT大挑战数据集2。D2：ELCAP公共肺部图像数据库。第一个数据集包含10名患者的模拟四分之一剂量CT扫描。对于每个患者，每次扫描大约有250个切片。第二个数据集包括来自50名患者的真实低剂量CT扫描。我们使用Adam优化器，批量大小为16。学习率最初设置为1e-4，并在每6000次迭代后降低2为了训练，我们从每个切片中随机截取了10个补丁，每个补丁的大小为120 120。基准数据集D1包含成对的NDCT和LDCT图像，因此我们选择了该数据集5619LLL5. 结果和讨论5.1. 消融研究本节系统地研究了本研究中提出的每个模块的有效性 我 们 考 虑 了三 种 不 同 的网 络; 首 先 ， 基 线 模型（M1），其中反转块被密集块取代，并使用最小化两个噪声观测之间的均方距离（即，f）的方法。接下来，两个独立的基线模型（一个用于前向映射，一个用于反向映射）使用线性组合f和r来联合训练，类似于循环一致性网络范例。前向映射网络用于测试。我们把这个模型称为M2。在M1和M2中，我们增加了网络的深度最后，提出了一种新的方法，简称为M3。表2描述了使用D1数据集对三个网络进行的客观评估。M2和M3都使用反向映射来正则化网络;从表2中可以明显看出相同的去噪性能。增加循环一致性损失显著地改善了同一基线模型的性能。反相网络的性能明显优于网络M2。PSNR提高了0.23dB。如上一节所述，如果周期一致性5620(a) LDCT（b）NDCT（c）M1（d）M2（e）M3图3：不同网络的去噪性能比较。将从NDCT图像提取的不同器官的边界线叠加在其它图像上。如图所示，在M1的输出中，边界线周围丢失了许多像素(a) LDCT（b）NDCT（c）M1（d）M2（e）M3图4：从图3的图像中获取的ROI的放大版本。在放大版本中，M1的输出中清晰可见缺失的边界像素。损失时，训练额外的网络，但这并不总是保证可逆性，而反转网络架构固有地具有可逆性，其充当强正则化器。在图3中，我们直观地显示了不同网络的去噪性能。为了说明正则化的要求，我们首先从NDCT图像中提取各个器官的边界线，并将边界线映射到不同网络的输出上。如图3所示，M1网络输出边界线周围的许多像素丢失。使用反向映射，在M2和M3中成功地克服了末端器官缺失像素的问题与M2相比，M3中的椭圆形图案也较少。图4中给出了从图3的图像中获取的ROI的缩放版本，以获得更好的感知。在图5中，我们给出了一个可逆网络在反向映射中的性能的例子。这里，通过使用正向映射的预测干净图像作为反向映射的输入来产生预测LDCT图像。如图所示，预测的噪声模式类似于原始噪声模式。相同的拖尾伪影存在于两种噪声模式中;而且，噪声方差在不同的空间区域中是不同的，这取决于原始CT图像的信号强度。证明了反向映射的信息损失是最小的。由于可逆网络映射.5.2. 模拟数据我们比较了我们的方法对四个国家的最先进的无监督方法的性能;即DIP [23]、CycleGAN [25]、BM 3D[26]。使用的性能指标包括峰值信噪比（PSNR）、结构相似性指数（SSIM）、fréchet接收距离（FID）[7]、感知损失（PL）[11]、纹理匹配损失（TML）[21]和视觉信息保真度（VIF）[27]。 如表3所示，DIP显示出方法PSNRSSIMM130.800.891M231.030.899M331.260.908表2：不同训练网络在PSNR和SSIM方面的比较。所有方法中性能最差的。另一方面，与BM 3D相比，BMsusNet得到了更好的FID和TML，但PSNR和SSIM低于其他方法。将低剂量CT图像的原始投影数据划分为两个子组，并进行反投影以创建带噪输入信号。因此，噪声输入图像比原始LDCT图像噪声大得多。此外，结构损失发生在一般-5621(a) 原始LDCT（b）预测LDCT（c）原始噪声（d）预测噪声图5：可逆网络在反向映射中的性能CT图像的显示窗口为[-160，240] HU，噪声模式为[-50，50] HU方法PSNR↑SSIM↑FID ↑TML↑PL↑VIF ↑烫28.08（±2.82）0.848（±0.07）58.96（±3.12）0.402（±0.012）0.00189（±2.3e−5）0.652（±0.10）、公司简介29.02（±1.82）0.881（±0.05）39.47（±1.（第八十九章）0.079（±0.007）0.00171（±4.7e−5）0.711（±0.06）BM3d30.02（±1.95）0.885（±0.06）49.23（±2.75）0.375（±0.012）0.00152（±2.9e−5）0.732（±0.05）CycleGAN30.86（±1.69）0.886（±0.03）30.85（±1.31）0.038（±0.005）0.00054（±0.2e−5）0.955（± 0.07）提出31.26（±1.（第五十二条）0.893（±0.03）30.23（±0.（第八十九章）0.012（±0.003）0.00068（±0.3e−5）0.989（±0.05）表3：在PSNR、SSIM、FID、TML、PL和VIF方面与其他方法的比较。通过取测试集的所有图像的平均值↑表示值越高越好。最佳结果以粗体标记该方法能有效地去除图像中的噪声，因此其峰值信噪比（PSNR）和信噪比（SSIM）低于其它方法。纹理匹配损失（TML）用来衡量重建图像与原始图像之间的纹理差异。TML的值越低，表示生成的纹理与原始纹理相似。相比之下，FID估计生成图像的分布与真实图像之间的距离。FID值越低，表示生成的图像与原始图像越相似。当前的深度学习时代需要具有这些指标的低值的去噪图像。这些去噪后的图像可以用作其他图 像 分 类 任 务 或 分 割 网 络 的 输 入 。 在 这 方 面 ，BMsusNet优于BM3D，因为它使用了深度神经网络的表达能力。CycleGAN是另一种强大的无监督图像到图像翻译方法;它比其他方法获得了更好的性能。然而，CycleGAN有很多瓶颈，例如，更长的训练时间、计算能力、超参数调整等。所有这些瓶颈使得CycleGAN不适合实际部署。同时，我们提出的方法取得了最高的PSNR，SSIM，FID，和VIF所有其他方法。接下来，我们在图中直观地比较去噪的结果6. 可以观察到，所提出的方法比其他无监督方法表现得更好。BM3D输出产生了模糊的降噪图像，并包含许多斑点伪影。虽然噪声抑制充分，并且没有斑点伪影，但在DipsusNet和DIP的输出中可以观察到相同的模糊在CycleGAN的输出中，我们可以观察到残留噪声的存在，特别是在高噪声区域。接下来，我们在样本图像中识别出一个低衰减病变，并用红色边界框标记病变。图7给出了边界框内区域的缩放视图。在我们的方法的输出图像中尽管是一种无监督的方法，但病变的可见性与原始NDCT图像相当。此外，从放大的视图中，我们可以看出，我们的方法已经抑制了颗粒状图案，而不会丢失原始图像5.3. 实际低剂量CT数据在这里，我们分析了所提出的方法对临床数据的性能。由于没有可用的基本事实，因此只进行定性比较。所提出的方法的去噪性能的示例在图8中给出。在这里我们可以看到，与其他方法相比，BM 3D的去噪性能最差另一方面，深度图像先验的输出是非常模糊的，不同的器官边界被扭曲，并且在图像中出现一些斑点伪影。DIP算法的性能主要取决于停止迭代次数;随着更多的迭代，它将再次产生原始的噪声图像。它所产生的清晰图像总是模糊的，没有任何纹理。与我们之前的示例一致，我们可以看到CycleGAN在示例中留下了很多残余噪声。接下来，我们在图像中识别出一个低密度病变，并用红色边界框标记该区域。包含病变的区域的放大版本如图9所示。去噪的效果在该放大视图中是可感知的。病变的可见性非常5622−(a) LDCT（b）BM3D（c）DIP（d）CycleGAN(e)（f）拟议的（g）国家数据中心技术转让图6：比较去噪的结果。我们展示了一个从2016年NIH-AAPM-Mayo Clinic Grand Challenge数据集拍摄的图像去噪性能的示例。显示窗口为[140，260] HU，以更好地显示低衰减病变。请读者放大观看。(a)LDCT（b）BM3D（c）DIP（d）CycleGAN(e)（f）拟议的（g）国家数据中心技术转让图7：不同网络的去噪性能比较。图6的图像中显示的边界框内区域的放大视图在原始LDCT图像中不明显。在该区域中噪声变化非常高;因此，BM 3D和CycleGAN未能从该区域去除噪声。另一方面，DIP去除了噪声，但也通过去除所有纹理信息破坏了图像Consen-susNet还在大脑中产生了一个模糊的病变版本输出.同时，我们的方法产生了一个去噪图像与最低粒度模式，提高了病变图像去噪的主要目的是通过隐藏噪声来恢复这些类型的病变和异常的可见性在这方面，我们的方法已经达到了作为不同异常的可感知性的目标5623−(a) LDCT（b）BM3D（c）DIP（d）CycleGAN(e)（f）拟议图8：比较去噪的结果。我们已经展示了从ELCAP公共肺部图像数据库中获取的图像的去噪性能的示例。显示窗口为[175，240] HU。请读者放大观看。(a) LDCT（b）BM3D（c）DIP（d）CycleGAN(e)（f）拟议图9：不同网络的去噪性能比较。图8的图像中显示的边界框内区域的放大视图在不丢失结构或文本信息的情况下得到了极大的改进6. 结论提出了一种新的自监督LDCT去噪方法。所提出的方法是建立在著名的Noise2Noise范例。本文提出了一种新的方法，通过对每一片的两个相邻片取平均值来产生第二幅噪声图像用于训练去噪器。然后通过利用最近的可逆概念可学习块，并在训练阶段添加循环一致性损失。所提出的方法是一种优雅的方式来使用切片间相关LDCT去噪。此外，所提出的方法是简单的部署，并不干扰现有的CT扫描仪的工作流程。通过对合成低剂量和实际低剂量CT数据的综合评价，验证了该方法5624引用[1] 乔舒亚·巴特森和罗伊克·罗耶Noise2self：通过自我监督进行 盲去噪 。国际 机器学 习会议 ，第 524-533页。PMLR，2019年。[2] 大卫·布伦纳。对成年吸烟者进行低剂量ct肺癌筛查的潜在辐射风险。Radiology，231（2）：440[3] Hu Chen，Yi Zhang，Mannudeep K Kalra，Feng Lin，Yang Chen，Peixi Liao，Jiliu Zhou，and Ge Wang.低剂量 ct 与 残 余 编 码 器 - 解 码 器 卷 积 神 经 网 络 。 IEEEtransactions on medical imaging，36（12）：2524[4] Kostadin Dabov、Alessandro Foi、Vladimir Katkovnik和Karen Egiazarian。结合块匹配和三维滤波的图像去噪。在图像处理中：算法和系统，神经网络和机器学习，卷6064，页606414。国际光学与光子学学会，2006年。[5] Laurent Dinh ， David Krueger ， and Yoshua Bengio.Nice ： 非 线 性 独 立 分 量 估 计 。 arXiv预 印 本 arXiv ：1410.8516，2014。[6] Laurent Dinh，Jascha Sohl-Dickstein，and Samy Ben-gio.使 用 实 nvp 的 密 度 估 计 。 arXiv 预 印 本 arXiv ：1605.08803，2016。[7] Martin Heusel、Hubert Ramsauer、Thomas Unterthiner、Bernhard Nessler和Sepp Hochreiter。两个时间尺度更新规则训练的甘斯收敛到一个局部纳什均衡。arXiv预印本arXiv：1706.08500，2017。[8] Gao Huang，Zhuang Liu，Laurens Van Der Maaten，andKilian Q Weinberger.密集连接的卷积网络。在IEEE计算机视觉和模式识别会议论文集，第4700-4708页[9] Zhiyuan Huang，Zixiang Chen，Qiyang Zhang，GuotaoQuan，Min Ji，Chengjin Zhang，Yongfeng Yang，XinLiu，Dong Liang，Hairong Zheng，et al. Cagan：一个周期一致的生成对抗网络，用于低剂量CT成像。IEEETransactions on Computational Imaging，6：1203[10] 彼得·J·胡贝尔。位置参数的鲁棒估计。在统计学的突破，第492Springer，1992年。[11] 贾斯汀·约翰逊，亚历山大·阿拉希，李飞飞。实时风格转换和超分辨率的感知损失。欧洲计算机视觉会议，第694-711页。施普林格，2016年。[12] Diederik P Kingma和Prafulla Dhariwal。Glow：具有可逆1x1卷积的生成流。arXiv预印本arXiv：1807.03039，2018。[13] Alexander Krull，Tim-Oliver Buchholz，and Florian Jug.Noise 2 void-learning从单个噪声图像去噪。在IEEE/CVF计算机视觉和模式识别会议论文集，第2129-2137页[14] 权泰成和叶正哲利用可逆发生器实现无监督低剂量ct去噪。arXiv预印本arXiv：2104.08538，2021。[15] Samuli Laine，Tero Karras，Jaakko Lehtinen，and TimoAila. 高 质 量 的 自 监 督深 度 图 像 去 噪 。 arXiv预 印 本arXiv：1901.10277，2019。[16] Jaakko Lehtinen 、 Jacob Munkberg 、 Jon Hasselgren 、Samuli Laine、Tero Karras、Miika Aittala和Timo Aila。Noise2noise：没有干净数据的学习图像恢复。arXiv预印本arXiv：1803.04189，2018。[17] 李泽恒，黄俊洲，余立峰，池宇杰，金明武。基于周期一致对抗网络的低剂量ct图像去噪。 2019年IEEE Nu-clear科学研讨会和医学成像会议（NSS/MIC），第1-3页[18] Zeheng Li，Shiwei Zhou，Junzhou Huang，Lifeng Yu，Mingwu Jin.基于非配对深度学习方法的低剂量ct图像去噪 研 究 。 IEEE Transactions on Radiation and PlasmaMedical Sciences，5（2）：224[19] Jingyun Liang，Andreas Lugmayr，Kai Zhang，MartinDanelljan，Luc Van Gool，and Radu Timofte.分层条件流 ： 图 像 超 分 辨 率 和 图 像 重 缩 放 的 统 一 框 架 。IEEE/CVF计算机视觉国际会议论文集，第4076-4085页，2021年[20] Yang Liu ， Zhenyue Qin ， Saeed Anwar ， Pan Ji ，Dongwoo Kim，Sabrina Caldwell，and Tom Gedeon. 可逆去噪网络：一个真正的噪音消除的轻型解决方案。在IEEE/CVF计算机视觉和模式识别会议上，第13365-13374页，2021年[21] Mehdi SM Sajjadi ， Bernhard Scholkopf ， and MichaelHirsch. Enhancenet：通过自动纹理合成实现单幅图像超分辨率。在IEEE计算机视觉国际会议论文集，第4491-4500页[22] Alvin W Su，Travis J Hillen，Eric P Eutsler，AsheeshBedi ， James R Ross ， Christopher M Larson ， John CClo- hisy，and Jeffrey J Nepple.与传统计算机断层扫描相比，低剂量计算机断层扫描可使接受髋关节保留手术的患者的辐射暴露减少90%。关节镜检查：关节镜&相关手术杂志，35（5）：1385 -1392，2019。[23] 德米特里·乌里扬诺夫，安德烈·维达尔迪，维克多·伦皮茨基。深度图像先验。在IEEE计算机视觉和模式识别会议论文集，第9446-9454页[24] Tycho FA van der Ouderaa和Daniel E Worrall。可逆gans的内存效率的图像到图像的翻译。在IEEE/CVF计算机视觉和模式识别会议论文集，第4720-4728页[25] Dufan Wu，Kuang Gong，Kyungsang Kim，Xiang Li，and Quanzheng Li.一致性神经网络用于仅含噪声训练样本的医学医学图像计算和计算机辅助干预国际会议，第741-749页。Springer，2019年。[26] Mingqing Xiao ， Shuxin Zheng ， Chang Liu ， YaolongWang，Di He，Guolin Ke，Jiang Bian，Zhouchen Lin，and Tie-Yan Liu.可逆图像缩放。欧洲计算机视觉会议，第126-144页。Springer，2020年。[27] Guorong Xuan，Chengyun Yang，Yizhan Zhen，Yun QShi，and Zhicheng Ni.基于小波变换的可逆信息隐藏5625扩展频谱IEEE第六届多媒体信号处理研讨会，2004年。，第211-214页。IEEE，2004年。[28] 赵瑞，刘天山，肖军，林健文，林培光.可逆图像脱色。IEEE Transactions on Image Processing，30：6081[29] Jun-Yan Zhu ， Taesung Park ， Phillip Isola ， Alexei AEfros.使用循环一致对抗网络的不成对图像到图像翻译。在IEEE计算机视觉国际会议论文集，第2223- 2232页