RelativeFlow: Taming Medical Image Denoising Learning with Noisy Reference¶

会议: CVPR 2026
arXiv: 2604.15459
代码: github.com/Deliver0/RelativeFlow
领域: 医学影像
关键词: medical image denoising, flow matching, noisy reference, CT denoising, MR denoising

一句话总结¶

提出 RelativeFlow，基于 flow matching 的框架，通过将绝对噪声到干净映射分解为相对更噪到噪声映射，结合一致传输约束和基于模拟的速度场，从异质噪声参考中学习统一的去噪流，突破参考偏差限制。

研究背景与动机¶

医学图像去噪 (MID) 缺乏绝对干净的图像用于监督——只有来自不同采集协议和扫描仪配置的相对高质量参考，其质量在类别间异质变化。现有三种范式的局限：(1) SimSDL 将噪声参考当干净目标，导致次优收敛或参考偏差学习；(2) SSL 的独立噪声假设在医学成像中难以满足；(3) SimSGL 同样天真地将噪声参考当生成目标。核心问题：如何从异质质量的噪声参考中学习统一的高质量去噪映射。

方法详解¶

整体框架¶

RelativeFlow 将绝对去噪流分解为多个相对去噪流的组合。对每个噪声参考 \(x_t\)，用退化算子生成更噪样本 \(x_{t-\Delta t}\)，构建局部相对去噪步。两个关键组件保证相对流的一致性和可学习性。

关键设计¶

一致传输 (CoT) 位移映射: 通过指数时间空间的线性插值定义概率路径 \(p_t = \lambda p_{t_i} + (1-\lambda)p_{t_j}\)，权重 \(\lambda = \frac{e^{-t}-e^{-t_j}}{e^{-t_i}-e^{-t_j}}\)。这保证嵌套插值的传递性——从任意质量 \(t_i\) 到 \(t_j\) 的相对流都是绝对流 \(\psi_{0 \to +\infty}\) 的组成部分，且可依次组合为绝对流。数学证明了两个性质：相对流是绝对流的分量，以及连续相对流可逐步组合为绝对流。
基于模拟的速度场 (SVF): 利用模态特定的退化算子 \(D_{\Delta t}\)（CT 的泊松-高斯噪声、MR 的 Rician 噪声）从噪声参考模拟更噪样本，构建速度场训练目标 \(u = \frac{x_t - D_{\Delta t}(x_t)}{e^{\Delta t} - 1}\)。训练损失为神经网络预测与目标速度的 L2 距离。
渐进式步长课程: 训练过程中逐步扩大退化步长范围 \([\Delta t_{min}, \Delta t_{max}]\)（每轮乘以/除以系数 \(\alpha\)），使模型逐渐学习从小退化到大退化的速度场，覆盖完整质量谱。采样时用多步欧拉积分。

损失函数 / 训练策略¶

训练损失 \(\mathcal{L}_{RF} = \mathbb{E}_{x_t, \Delta t}\left[\left\|\mathcal{N}_\theta(D_{\Delta t}(x_t), \Delta t) - \frac{x_t - D_{\Delta t}(x_t)}{e^{\Delta t} - 1}\right\|_2^2\right]\)。渐进式课程学习策略。

实验关键数据¶

主实验¶

在 CT 和 MR 去噪任务上与 10 种方法（NID + MID）对比：

任务	指标	最优先前方法	RelativeFlow
CT 去噪	PSNR/SSIM	次优	最优
MR 去噪	PSNR/SSIM	次优	最优

在 PSNR、SSIM、RMSE、LPIPS 四个指标上全面最优。

消融实验¶

CoT 一致性约束是突破参考偏差的核心
SVF 的模态特定退化建模优于通用噪声模型
渐进式步长课程优于固定步长训练

关键发现¶

RelativeFlow 将不同质量水平的图像统一去噪到一致高质量
CoT 的数学性质（分量性和组合性）为统一去噪提供了理论保证
模态特定退化算子使框架可扩展到不同医学成像模态

亮点与洞察¶

首次将噪声参考问题形式化并通过 flow matching 系统解决
CoT 的数学分析（分量性+组合性证明）理论深度出色
跨 CT 和 MR 两种模态的验证展示了框架的通用性

局限与展望¶

退化算子的设计需要领域知识（泊松-高斯 vs Rician）
采样时的多步积分比判别式方法慢
理论上的 \(t \to +\infty\) 极限在实践中的收敛质量需验证

评分¶

8/10 — 理论深度和实际效果兼备，是医学图像去噪领域的重要方法论贡献。