EndoIR: Degradation-Agnostic All-in-One Endoscopic Image Restoration via Noise-Aware Routing Diffusion
Tong Chen, Xinyu Ma, Long Bai, Wenyang Wang, Yue Sun, Luping Zhou
内窥镜图像经常受到多种和共同发生的退化,如低照明,烟雾和出血,这掩盖了关键的临床细节。 现有的恢复方法通常是特定于任务的,通常需要事先了解降解类型,限制了它们在现实世界中临床使用的稳健性。 我们建议使用 EndoIR,一个基于降解的、与降解无关的扩散框架,使用单一模型恢复多种降解类型。 EndoIR引入了一种双域提示器,可以提取联合空间频率特征,再加上一个自适应嵌入,将共享和特定任务的线索编码为去噪的条件。 为了减轻传统连接条件中的功能混淆,我们设计了一个双流扩散架构,分别处理清洁和退化的输入,一个正文的融合块以结构化的降解感知方式集成它们。 此外,噪声感知路由块通过在去噪过程中仅动态选择与噪声相关的功能来提高效率。 SegSTRONG-C和CEC数据集的实验表明,EndoIR在多个降解场景中实现了最先进的性能,同时使用比强基线更少的参数,下游分割实验证实了其临床效用。
Endoscopic images often suffer from diverse and co-occurring degradations such as low lighting, smoke, and bleeding, which obscure critical clinical details. Existing restoration methods are typically task-specific and often require prior knowledge of the degradation type, limiting their robustness in real-world clinical use. We propose EndoIR, an all-in-one, degradation-agnostic diffusion-based framework that restores multiple degradation types using a single model. EndoIR introduces a Dual-Dom...
