PyTorch中3D图像高斯模糊实现方法咨询

torchvision.transforms.GaussianBlur仅支持2D图像张量，针对(64,64,64)的3D图像，你可以通过以下两种方式实现高斯模糊：

方法一：手动实现3D高斯模糊（无第三方依赖） #

高斯模糊本质是使用高斯核进行卷积操作，3D场景下只需构建3D高斯核，再通过torch.nn.functional.conv3d完成卷积：

import torch
import torch.nn.functional as F

def gaussian_kernel_3d(kernel_size, sigma):
    # 生成1D高斯核
    kernel_1d = torch.linspace(-(kernel_size//2), kernel_size//2, kernel_size)
    kernel_1d = torch.exp(-0.5 * (kernel_1d / sigma)**2)
    # 通过外积得到3D高斯核
    kernel_3d = torch.einsum('i,j,k->ijk', kernel_1d, kernel_1d, kernel_1d)
    # 归一化，确保核权重总和为1
    kernel_3d = kernel_3d / kernel_3d.sum()
    return kernel_3d

# 配置参数
kernel_size = 3  # 3D核尺寸，如3x3x3，建议设为奇数
sigma = 1.0      # 高斯标准差

# 生成适配Conv3D的核形状：(out_channels, in_channels, d, h, w)
kernel = gaussian_kernel_3d(kernel_size, sigma).unsqueeze(0).unsqueeze(0)

# 处理你的3D图像：原始形状(64,64,64)，需添加batch和通道维度
img_3d = torch.randn(64, 64, 64)  # 替换为你的3D图像张量
img_input = img_3d.unsqueeze(0).unsqueeze(0)  # 变为(1,1,64,64,64)

# 执行3D卷积，padding保持输出尺寸与输入一致
img_blur = F.conv3d(img_input, kernel, padding=kernel_size//2)
# 恢复原始形状(64,64,64)
img_blur = img_blur.squeeze()

关键说明 #

• 若你的3D图像是多通道（如shape为(C,64,64,64)），只需调整核的in_channels和out_channels为通道数C，或使用groups=C实现单通道独立模糊。
• 核尺寸建议设为奇数，配合padding=kernel_size//2可保证输出与输入尺寸完全一致。

方法二：使用MONAI库的3D高斯模糊（适用于医学图像场景） #

MONAI是针对医学3D图像的专用库，内置了GaussianBlurD可直接处理3D张量：

from monai.transforms import GaussianBlurD
import torch

# 初始化3D模糊变换
blur_transform = GaussianBlurD(kernel_size=kernel_size, sigma=sigma)

# 处理3D图像：原始形状(64,64,64)，需添加通道维度
img_3d = torch.randn(64, 64, 64)
img_blur = blur_transform(img_3d.unsqueeze(0)).squeeze()

使用前需先安装MONAI：pip install monai

内容的提问来源于stack exchange，提问作者Cantor