Editorial Ilmu Komputer & AI
Open AccessOA2026
PP-Net: Jaringan Neural Hybrid Physical-Prior untuk Penghapusan Cahaya Tersebar pada Citra Biomedis di Perangkat Tertanam
Kerangka kerja deep learning tiga tahap yang menggabungkan denoising, estimasi hamburan berbasis fisika, dan penyempurnaan terpandu untuk penerapan IoMT waktu nyata
Yongfei Guo; Tingjin Chu; Mengzhuo Liu; Hongwei Lou; Yuanhao Gong· 2026· DOI 10.48550/arXiv.2609.26474
Masalah inti
Cahaya tersebar merupakan degradasi yang lazim dalam pencitraan biomedis, terutama pada skenario mikroskopis dan endoskopis ketika jaringan dan cairan menghamburkan cahaya datang. Menghilangkan hamburan ini menantang karena tiga faktor: (1) ground truth bebas cahaya tersebar yang selaras jarang tersedia untuk pelatihan; (2) hamburan sering muncul bersamaan dengan pencahayaan lemah dan derau yang ditimbulkan sensor; dan (3) banyak model restorasi berbasis pembelajaran terlalu berat secara komputasi untuk perangkat tertanam dalam lingkungan Internet of Medical Things (IoMT). Makalah ini memperkenalkan PP-Net, jaringan neural hybrid physical-prior yang dirancang untuk mengatasi masalah tersebut. Metode ini terdiri dari tiga komponen: DFN-Net untuk penekanan derau sensor, ASAP untuk estimasi peta hamburan dan pemulihan prior berbasis fisika, serta GF-Net untuk menyempurnakan peta prior dengan menggabungkannya dengan observasi yang telah didenois. Strategi pelatihan sintetis progresif dan transfer lintas domain mengurangi ketergantungan pada ground truth biomedis berpasangan. Eksperimen menunjukkan peningkatan signifikan pada PSNR dan SSIM di bawah degradasi derau dan hamburan gabungan,
Inovasi
Evaluasi kuantitatif menunjukkan efektivitas PP-Net. Pada tolok ukur sintetis berpasangan, cabang physical-prior meningkatkan PSNR hingga 1,26 dB. Di bawah degradasi derau dan hamburan gabungan, PP-Net mengungguli metode baseline representatif lebih dari 10,8 dB pada PSNR dan lebih dari 0,62 pada SSIM. Pada citra biomedis W2S nyata, metode yang diusulkan menurunkan skor NIQE rata-rata sebesar 43,3%, yang menunjukkan peningkatan kualitas perseptual yang signifikan. Untuk penerapan di edge, konversi RKNN dan kuantisasi INT8 mencapai latensi inferensi rata-rata sekitar 200 ms per citra pada 360 citra uji. Hasil ini menegaskan bahwa PP-Net memberikan kualitas restorasi yang tinggi sekaligus kelayakan penerapan praktis untuk perangkat IoMT tertanam.
Cahaya tersebar merupakan degradasi yang lazim dalam pencitraan biomedis, terutama pada skenario mikroskopis dan endoskopis ketika jaringan dan cairan menghamburkan cahaya datang. Menghilangkan hamburan ini menantang karena tiga faktor: (1) ground truth bebas cahaya tersebar yang selaras jarang tersedia untuk pelatihan; (2) hamburan sering muncul bersamaan dengan pencahayaan lemah dan derau yang ditimbulkan sensor; dan (3) banyak model restorasi berbasis pembelajaran terlalu berat secara komputasi untuk perangkat tertanam dalam lingkungan Internet of Medical Things (IoMT). Makalah ini memperkenalkan PP-Net, jaringan neural hybrid physical-prior yang dirancang untuk mengatasi masalah tersebut. Metode ini terdiri dari tiga komponen: DFN-Net untuk penekanan derau sensor, ASAP untuk estimasi peta hamburan dan pemulihan prior berbasis fisika, serta GF-Net untuk menyempurnakan peta prior dengan menggabungkannya dengan observasi yang telah didenois. Strategi pelatihan sintetis progresif dan transfer lintas domain mengurangi ketergantungan pada ground truth biomedis berpasangan. Eksperimen menunjukkan peningkatan signifikan pada PSNR dan SSIM di bawah degradasi derau dan hamburan gabungan, dan validasi dunia nyata pada citra biomedis W2S menunjukkan penurunan NIQE sebesar 43,3%. Penerapan di edge melalui konversi RKNN dan kuantisasi INT8 mencapai inferensi sekitar 200 ms per citra pada 360 citra uji, sehingga PP-Net cocok untuk pencitraan mikroskopis, inspeksi endoskopis, dan analisis biomedis berbantuan edge dalam skenario IoMT.
PP-Net adalah pipeline tiga tahap yang mengintegrasikan prior fisika dengan deep learning. Arsitekturnya diilustrasikan di bawah ini:
Mengapa penting
Keberhasilan PP-Net berasal dari desain hybrid yang menggabungkan prior fisika dengan pembelajaran berbasis data. Arsitektur tiga tahap secara efektif memisahkan penekanan derau, estimasi hamburan, dan penyempurnaan, sehingga setiap komponen dapat berspesialisasi. Strategi pelatihan sintetis progresif dan transfer lintas domain mengurangi kekurangan ground truth berpasangan, hambatan umum dalam pencitraan biomedis. Keuntungan PSNR dan SSIM yang substansial di bawah degradasi gabungan menegaskan pentingnya pemodelan fisika hamburan secara eksplisit. Penurunan NIQE sebesar 43,3% pada citra nyata memvalidasi generalisasi metode ini terhadap skenario praktis. Latensi sekitar 200 ms pada perangkat tertanam menunjukkan bahwa PP-Net tidak hanya akurat tetapi juga efisien, sehingga cocok untuk aplikasi waktu nyata dalam pencitraan mikroskopis, inspeksi endoskopis, dan analisis biomedis berbantuan edge. Pekerjaan selanjutnya dapat memperluas PP-Net ke sekuens video dan modalitas lain, serta mengoptimalkan model lebih lanjut untuk perangkat berdaya lebih rendah.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…