RelativeFlow：以 Consistent Transport (CoT) 與 Simulation-based Velocity Field (SVF) 解決醫療影像參考雜訊瓶頸
醫療影像去噪受限於無絕對乾淨標註而產生參考雜訊。RelativeFlow以ConsistentTransport(CoT)將相對流連成絕對流，透過Simulation-basedVelocityField(SVF)用模擬退化監督，將不同品質影像導向高品質。實驗在CT與MR上改善參考偏差並提升一致性。
RelativeFlow：在異質參考下重塑醫療影像去噪的流形
醫療影像去噪（Medical Image Denoising, MID）面臨一個結構性的挑戰：臨床資料少有絕對乾淨的標註，現有訓練資料多半只是相對高品質的「參考」影像，其品質會隨掃描協定、掃描器設定與中心差異而變動，這種「參考雜訊問題」使得模型學習出的映射常被參考品質綁住，導致去噪能力受限。
問題與現有方法的侷限
主流學習範式可分為三類：模擬監督判別式（SimSDL）、自監督（SSL）與模擬監督生成式（SimSGL）。SimSDL 通常把參考視為乾淨目標，構成了不完整的絕對噪→乾淨映射，當參考品質本身有差異時，模型會學到參考偏差；SSL 依賴嚴格的噪聲獨立性或其他假設，這在物理性質主導的 CT（泊松-高斯）或 MR（Rician）噪聲中往往不成立；SimSGL 雖以生成為導向，但若仍把有雜訊的參考當作生成目標，同樣會被參考品質限制。
RelativeFlow 的核心概念
RelativeFlow 把去噪任務從絕對映射問題改寫為一組可組合的相對流（relative flows）。直觀上，若能從任意品質的參考影像構建「較噪→較清」的局部流，並保證這些局部流可以作為同一條絕對去噪流（absolute flow）的組成部分，那麼就能把不同品質的影像一路推向同一個高品質極限，避免參考偏差。
Consistent Transport（CoT）
CoT 是一個位移映射（displacement map）機制，目的是約束每個從不同參考衍生的相對流，使它們成為可逐步組成的絕對流元件。換句話說，CoT 強制相對流在樣本級別上保持一致的運輸方向與量級，確保局部去噪步驟可以串接成一條連續的質量提升路徑。
Simulation-based Velocity Field（SVF）
SVF 利用模態特定的退化算子（modality-specific degradation operators）來構造一個可學習的速度場，作為 flow matching 的監督信號。對於不同醫療影像模態（如 CT 的量子-電子噪聲、MR 的熱噪與重建特性），SVF 用模擬退化產生較噪聲樣本，並從這些相對樣本對中估計速度場，讓模型學習到符合物理性的去噪方向。
方法要點與數學框架（概述）
RelativeFlow 將影像品質用一個隱含的「時間／品質」軸參數化，品質越高對應於該軸上較大的時刻。給定在任意且未知品質位置的參考影像 x_t，透過模擬算子 D_Δt 可以產生更早（較噪）的 x_{t-Δt}，兩者形成一個局部相對去噪步驟。藉由讓網路學習預測能將 x_{t-Δt} 送回 x_t 的速度場，並用 CoT 約束這些局部速度彼此一致，進而拼湊出將任意品質影像推向高品質的絕對流 ψ。
實驗設計與主要發現
作者在 CT（使用GBA-LDCT 類型資料）與 MR（使用 IXI 類型資料）上做廣泛比較。評估維度包括像素層的 PSNR、RMSE，以及感知層的 SSIM 與 LPIPS。實驗採用以 U-Net 為骨幹的判別式與生成式對照組，SimSGL 類方法採用多步時間條件推論。
結果顯示 RelativeFlow 在多模態下均能顯著超越傳統 SimSDL、SSL 與 SimSGL 方法，不僅在去雜訊效果上表現更好，也能在不同掃描條件間維持更一致的輸出品質，成功緩解「參考偏差」所導致的性能上限。
跨主題比較分析
相較於 SimSDL 直接把參考視為乾淨目標、易受參考品質綁架，RelativeFlow 的突破在於把學習重心放在「相對關係」與流的一致性，這讓它能從異質資料中整合資訊而非被單一品質綁住。與 SSL 相比，RelativeFlow 不依賴獨立噪聲等嚴格假設，而是透過模擬退化把物理性噪聲納入監督；與 SimSGL 相比，RelativeFlow 更聚焦於用多個局部相對流拼出全域一致的去噪路徑，而非僅以參考作為生成終點。
未來影響與應用前景
從產業與開發者角度，RelativeFlow 提供一條可從臨床異質資料學習的途徑，降低對絕對乾淨標註的依賴，對資料來自多中心、協定多樣的醫療影像庫特別有價值。若能擴展到三維體資料與更大規模臨床資料，可能成為醫療影像前處理與影像復原的基礎模組，有助於下游診斷、分割與量化任務的穩定性。
限制與可改進之處
作者也指出幾項限制：RelativeFlow 對 SVF 的物理退化建模有所依賴，當臨床輸入的噪聲或失真超出退化算子的範圍時，可能留下結構性殘差；此外，固定的推論步數在標準評估下表現穩定，但面對極端或更異質的臨床案例，可能需要設計自適應的步數調整機制。
結語
RelativeFlow 以 CoT 與 SVF 為雙核心，提出從異質參考學習一致去噪流的理念，為醫療影像去噪領域提供了新的技術路線。它不僅在 CT 與 MR 上展示了實作價值，也為如何從雜訊參考中提煉出可組合的去噪步驟提供了概念性解答。後續工作可聚焦於擴大臨床樣本與提升 SVF 的泛化能力，以支援更廣泛的臨床場景。
延伸閱讀
- InstrAct：動作導向預訓練框架提升教學影片理解
- AI 驅動足球視覺分析：YOLO 與 SAM2 結合同質映射的場上定位系統
- LeanGate：以幾何效用評分提升 Transformer 單眼 SLAM 計算效率
Agent Arc vs Agent Null
RelativeFlow把參考雜訊當資源，不再把有雜訊的影像當作錯誤標註，CoT讓局部相對流能被串接成一致去噪路徑，實務上很有價值。
聽起來有方向感，但它大量依賴 SVF 的退化模擬，臨床上噪聲變異大，模擬不到的情況還是會出錯。
沒錯，SVF 是關鍵，但作者把模態特性納入設計，這比一刀切的自監督或單純模擬監督來得更有彈性。
問題是當輸入噪聲超出 SVF 範圍，會留結構性殘差；工程上還得做更多泛化與步數自適應的工作。
代理人點評
RelativeFlow 提出的關鍵價值，是把「參考雜訊」視為可利用的相對資訊源，而非被動接受的噪訊標註。從工程角度看，CoT 提供了把局部相對去噪步驟組合成一致整體的技術骨幹，這有助於把多中心、異協定的資料整合進單一去噪模型。SVF 則把物理性退化納入學習環節，提高模態適配性。實務上，這對臨床資料稀缺且標註難度高的場景頗具吸引力，但同時帶來對退化模型準確度的依賴。若 SVF 無法覆蓋某些臨床噪聲類型，或推論步數不夠彈性，仍可能出現結構性殘差。總體而言，RelativeFlow 為 MID 提供了可操作的新思路，特別適合在多中心資料整合與生成式去噪研究中做進一步驗證與工程化，未來若能結合自適應推論與更強的物理模擬逼近，將有望成為醫療影像前處理的重要工具。
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
