两篇CVPR 2025的方法对比：从损失函数到LoRA微调！

医学图像匿名化面临隐私保护与临床特征保留的根本性矛盾，尤其在皮肤病领域，面部病灶常与身份信息共存。现有扩散模型虽能生成图像，却存在三大瓶颈：疾病特征丢失、不同病症边界模糊、以及因训练数据偏差（如亚洲人种、肤色）导致的人口统计学偏见。

针对上述挑战，两篇论文均基于Stable Diffusion v2 Inpainting 提出了创新解决方案。第一篇通过设计特征增强 与疾病区分 损失函数，实现了高保真度的临床特征保留；第二篇则引入自监督偏好优化 与公平性损失，在去偏的同时维持诊断效用。两项工作共同推动了医疗数据共享的伦理化进程。

针对以上内容我整理了一份对比资料，包含：完整方法对比表（9个维度），损失函数速查表（7个公式），适用场景决策树（可直接用于写论文/选baseline） 以及CVPR 2025扩散模型+医学图像精选论文合集，感兴趣的可以dd~

原文姿料这儿~

一、论文1：Ano-Skin: Clinical Feature-Aware Diffusion Model for Dermatological Image Anonymization（CVPR 2025）

方法：

基于Stable Diffusion v2 Inpainting ，首先利用分割模型生成"疾病保留掩码"；然后通过聚焦特征增强损失（FFE） 强化病灶细节，利用疾病区分损失（Diff） 拉开不同皮肤病在特征空间的距离；最后采用简单偏好优化（SimPO） 融合生成区域与真实病灶，实现自然过渡。

创新点：

双损失机制：提出和，分别解决细粒度特征保留与疾病间混淆问题。
首探亚洲面孔：专门针对亚洲人种面部特征（如较小眼睛）进行了数据补充和优化，弥补了主流数据集偏差。
临床实用性验证：不仅量化指标领先，还通过皮肤科医生盲评证明了匿名化图像与原始图像的诊断等价性。

论文链接：https://openreview.net/pdf?id=miyfwh8sKb

二、论文2：Derm-FairAnon: Mitigating Demographic Bias in Skin Image Anonymization（CVPR 2025）

方法：

同样基于Stable Diffusion v2 Inpainting 。核心在于：1）提出自监督偏好优化（SelfPO） ，通过对图像进行强弱降质自动生成偏好排序，无需人工反馈；2）设计Skin-Fair损失 ，包含分布对齐、语义保留和诊断保留三项，并使用LoRA高效微调以平衡人口统计学属性。

创新点：

自监督偏好优化（SelfPO）：首次将自监督引入医学图像的偏好学习，通过"原始 > 弱降质 > 强降质"的层次化对比，省去了昂贵的专家标注。
综合公平性机制 ：提出，同时处理性别、年龄及其交叉偏见，并生成平衡的分布（见表1中各项偏见指标大幅下降）。
诊断与去偏的平衡 ：通过专门的皮肤诊断保留损失，确保在纠正人口统计偏差时，关键的病灶特征（如银屑病的鳞屑模式）不被破坏。