arXiv:2511.10500v2 Announce Type: replace 
Abstract: Although Total Variation (TV) performs well in noise reduction and edge preservation on images, its dependence on the lambda parameter limits its efficiency and makes it difficult to use effectively. In this study, we present a Learnable Total Variation (LTV) framework that couples an unrolled TV solver with a data-driven Lambda Mapping Network (LambdaNet) predicting a per-pixel regularization map. The pipeline is trained end-to-end so that reconstruction and regularization are optimized jointly, yielding spatially adaptive smoothing: strong in homogeneous regions, relaxed near anatomical boundaries. Experiments on the DeepLesion dataset, using a realistic noise model adapted from the LoDoPaB-CT methodology, show consistent gains over classical TV and FBP+U-Net: +2.9 dB PSNR and +6% SSIM on average. LTV provides an interpretable alternative to black-box CNNs and a basis for 3D and data-consistency-driven reconstruction.

تقدم هذه الدراسة إطار عمل للتباين الكلي القابل للتعلم (LTV) مصمم لإزالة الضوضاء من التصوير المقطعي المحوسب منخفض الجرعة. يجمع هذا الإطار بين حل تباين كلي غير متجدد مع شبكة رسم خرائط لامدا (LambdaNet) تتنبأ بخريطة تنظيم لكل بكسل. يتم تدريب النظام بشكل شامل بحيث يتم تحسين كل من إعادة البناء والتنظيم بشكل مشترك، مما يسمح بتنعيم مكاني قابل للتكيف. تظهر التجارب التي أجريت على مجموعة بيانات DeepLesion أن LTV يتفوق على الطرق التقليدية، محققًا زيادة متوسطة قدرها 2.9 ديسيبل في PSNR و6% في SSIM، مما يوفر بديلاً أكثر قابلية للتفسير مقارنة بالشبكات العصبية التقليدية.

El estudio presenta un marco de Variación Total Aprendible (LTV) diseñado para la eliminación de ruido en tomografías computarizadas de baja dosis. Este marco combina un solucionador de Variación Total (TV) desenrollado con una Red de Mapeo Lambda (LambdaNet) que predice un mapa de regularización por píxel. El entrenamiento de extremo a extremo optimiza tanto la reconstrucción como la regularización, permitiendo un suavizado adaptativo espacial. Los experimentos realizados en el conjunto de datos DeepLesion demuestran que LTV supera a los métodos tradicionales, logrando un aumento promedio de …

Cette étude présente un cadre de Variation Totale Apprenable (LTV) conçu pour le débruitage des CT à faible dose. Ce cadre intègre un solveur de Variation Totale (TV) déroulé avec un Réseau de Cartographie Lambda (LambdaNet) qui prédit une carte de régularisation par pixel. L'entraînement de bout en bout optimise à la fois la reconstruction et la régularisation, permettant un lissage spatialement adaptatif. Des expériences menées sur le jeu de données DeepLesion montrent que LTV surpasse les méthodes traditionnelles, atteignant une augmentation moyenne de 2,9 dB en PSNR et de 6 % en SSIM, offr…

The study introduces a Learnable Total Variation (LTV) framework designed for low-dose CT denoising. This framework integrates an unrolled Total Variation (TV) solver with a Lambda Mapping Network (LambdaNet) that predicts a per-pixel regularization map. The end-to-end training optimizes both reconstruction and regularization, allowing for spatially adaptive smoothing. Experiments conducted on the DeepLesion dataset demonstrate that LTV outperforms traditional methods, achieving an average increase of 2.9 dB in PSNR and 6% in SSIM, thus providing a more interpretable alternative to conventiona…

Learnable Total Variation with Lambda Mapping for Low-Dose CT Denoising

Was this article worth reading? Share it

LucidQuery AI

Hypertune

LangWatch

The Visualizer

FastML

Attentive AI

Ready to build your own newsroom?