Tıbbi görüntüleme teknolojilerinde gürültü temizliği, görüntü kalitesini artırmak için kritik öneme sahip bir alan. Ancak bu alanda en büyük sorun, makine öğrenmesi algoritmalarını eğitmek için gereken mükemmel temiz referans görüntülerin bulunmaması.
Mevcut yaklaşımlar bu sorunu çözmek için simüle edilmiş denetimli öğrenme yöntemlerini kullanıyor. Ancak bu yöntemler gürültülü referans görüntüleri sanki temiz hedeflermiş gibi ele alarak optimal olmayan yakınsamaya ve referans önyargılı öğrenmeye neden oluyor. Öz-denetimli öğrenme yöntemleri ise gerçekçi tıbbi görüntü gürültü temizliği senaryolarında nadiren karşılanan kısıtlayıcı gürültü varsayımları dayatıyor.
Araştırmacılar tarafından geliştirilen RelativeFlow, flow matching çerçevesini kullanan devrimsel bir yaklaşım sunuyor. Bu yöntem, heterojen gürültülü referanslardan öğrenerek herhangi bir kalite seviyesindeki girdileri birleşik yüksek kaliteli hedefe yönlendiriyor.
RelativeFlow'un temel yeniliği, mutlak gürültü-temizlik eşlemesini nispi gürültülü-gürültülü eşlemelerine ayrıştırması. Bu yaklaşım, tutarlı transport (CoT) adı verilen bir yer değiştirme haritası ile gerçekleştiriliyor. Bu sayede sistem, mevcut gürültülü referansları daha etkin kullanarak tıbbi görüntü kalitesini önemli ölçüde artırabiliyor.