Abstract

• 在本文中，我們提出了一種基於L0梯度最小化框架的新型體積去噪/平滑方法.
• 通過具有半二次分裂的交替優化策略可以快速地解決該過程.
• 雖然所提出的L0體積梯度最小化方法可以有效地去除均勻材料中的噪聲，但是提出了模糊 - 銳化策略以減少噪聲或平滑邊界上的區域性細節。

Introduction

• 即使使用高解析度掃描器，在體積採集過程中也不可避免地會引入混疊和噪聲。
• 這種噪聲可能會破壞強度方面的顯著特徵，特別是低對比度結構和小物體，這使得基於強度的體積分析方法無法產生準確的特徵資訊併產生視覺混淆和渲染結果中的誤解。
• 噪聲是體積視覺化的一大挑戰，在預處理步驟中經常需要去噪/平滑，以減少噪聲，同時保留重要特徵
• 高斯濾波器廣泛用於體積平滑，但邊界也模糊。
• 一種新的邊緣感知各向異性擴散模型基於沿梯度的方向二階導數來定義邊界，以在保持邊界和細小管狀結構的同時對體積進行去噪。
• 它直接測量資訊稀疏性，對抽象主要結構資訊非常有用。 與先前的邊緣保持方法相比，所得到的訊號抑制了噪聲/細節，並保留並銳化了顯著的邊緣。 同時，這種方法不會引入任何邊緣模糊，因為它不是基於本地濾波器。
• 我們可以在L0梯度最小化的情況下限制相鄰體素之間的強度變化的數量。
• 我們採用具有半二次分裂的交替優化策略來優化該過程。
• 所提出的L0體積梯度最小化非常有助於以較低的梯度幅度抑制不太重要的細節和噪聲，同時銳化和增強顯著特徵。
• L0體積梯度最小化可以在相對均勻的材料中完美地平滑細節和噪聲，但是由於它們相對高的梯度幅度，它不能有效地抑制邊界上的細節和噪聲。
• 線性濾波器首先用於平滑邊界上的噪聲，然後將所提出的L0體積梯度最小化應用於平滑的體積，以減少模糊噪聲並銳化模糊邊界。

Related Work

• 區域性過濾通常用其鄰居的加權平均值替換該值，並且權重通常與空間距離和/或值差異相關
• 高斯濾波器可有效去除體積中的噪聲，但無法保留特徵的邊界，從而導致邊界周圍的過度平滑效應。
• 擴散是基於區域性濾波的迭代過程。 各向異性擴散通常用於抑制噪聲，同時保留重要結構。 它的能力取決於停止功能，以防止平滑過強邊緣，否則會導致邊緣模糊。
• 由於這些各向異性擴散方法通常在每次迭代中應用區域性濾波，因此它們在最終結果中會在一定程度上模糊邊緣。
• 本文所提出的方法避免了局部濾波，並且是一種平滑低梯度幅度區域同時保持甚至銳化突出邊界的全域性方法。
• L0最小化是一種基於離散計數空間強度變化原理的新的精確定義和強大的平滑框架。
• 與區域性平滑方法相比，它可以減少低梯度幅度細節並全域性保留和增強顯著特徵，即使資料是低對比度或重要特徵很小。
• 對於特徵邊界上的噪聲，我們展示瞭如何使用此方法在區域性濾波器之後保留和銳化模糊邊界的邊界以平滑邊界。

Volume Denoising / Smoothing Using L0 Gradient Minimization

• 在本文中，我們假設標量體積可以大致分為兩部分：相對均勻的材料區域和不同材料之間的邊界。
• 我們引入L0體積梯度最小化方法來抑制它由於其相對較低的梯度。該方法不能有效地去除邊界上的噪聲，因為這些噪聲邊界通常具有比相對均勻區域中的體素更高的梯度量值。
• 我們進一步提出了模糊銳化策略，該策略首先應用區域性濾波器來模糊噪聲，特別是邊界上的噪聲，然後採用L0體積梯度最小化方法來進一步消除材料和邊界中的噪聲，並縮小和保留 當地過濾器後邊界模糊的邊界。
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 

Boundary Smoothing Using Blurring-Sharping Strategy

Result and Discussion

Conclusions

• 在本文中，我們提出了一種基於L0梯度最小化框架的體積視覺化的體積去噪/平滑方法。
• 基本思想是全域性控制結果中非零梯度的體素數。 它以較低的梯度幅度抑制不太重要的細節和噪聲，並銳化和增強顯著特徵。 除了均勻材料中的平滑噪聲外，我們還提出了模糊銳化策略來減少邊界上的噪聲。
• 該策略可以有效地用於體積去噪和平滑，並且結果包含具有平滑邊界和視覺上令人愉悅的結構的顯著特徵，同時與原始體積一致。 我們的實驗證明了我們方法的有效性和有效性。
• 與雙邊濾波器和邊緣感知各向異性擴散相比，我們的方法在處理具有低梯度幅度的區域噪聲方面更有效。