MID: A Self-Supervised Multimodal Iterative Denoising Framework

Chang Nie

doi:10.1109/tnnls.2026.3683544

MID: A Self-Supervised Multimodal Iterative Denoising Framework

2026-04-30

0

PRE

AI

DOI：10.1109/tnnls.2026.3683544

原文链接

原文求助

摘要

En 中文

去噪在许多视觉、医学和生物应用中都很重要，但实际观测数据常被复杂的非线性噪声所污染，且干净的目标数据通常不可用。我们提出MID，一个跨数据模态的自监督迭代去噪框架。MID将观测数据视为可控污染过程中间状态，并通过两个网络从仅含噪声的数据中学习：一个步预测器用于估计当前的污染阶段，一个残差预测器用于估计该阶段需要去除的有效残差增量。对于非线性污染，MID采用一阶局部近似以实现在局部线性区域内的迭代恢复。相同的框架可结合模态特定的骨干网络，用于图像、信号、点集和序列等不同模态。在计算机视觉、生物医学和生物信息学等不同任务上的实验表明，MID具有鲁棒性、广泛的适用性，并能与最新基线方法竞争。

Keyword:

Denoising

image denoising

magnetic resonance imaging (MRI) denoising

point cloud denoising

MID: A Self-Supervised Multimodal Iterative Denoising Framework

摘要

期刊

机构

引用论文