BulingQAQ-CSDN博客

原创论文阅读：基于深度学习的肺肿瘤PET-CT图像融合

将不同模态的图像分别作为 Content 图像与 Style 图像作为输入查看融合结果，将两个模态的输入进行互换再次查看输出结果。在每个特征层中，每个数字代表了特定位置的特定卷积核卷积所得到的结果，反映了相应特征的显著程度和两两特征之间的相关性。PET 图像的分辨率为 168×168，CT 图像的分辨率为 512×512。Gram 矩阵是一种基于特征表示的统计方法，通常用于计算输入图像的风格信息。Gram 矩阵的计算可以通过将该特征图重塑为一个大小为 C×H×W 的矩阵，

2024-10-10 21:56:01 1034

原创论文阅读：Attention is All you Need

提出了Transformer，完全基于注意力机制，摒弃了循环和卷积网络。

2024-10-06 17:11:48 1138

原创论文阅读：PET/CT Cross-modal medical image fusion of lung tumors based on DCIF-GAN

基于GAN的融合方法存在训练不稳定，提取图像的局部和全局上下文语义信息能力不足，交互融合程度不够等问题。

2024-09-29 22:08:27 1259

原创论文阅读：多模态医学图像融合方法的研究进展

基于深度学习的多模态医学图像融合算法仍是主流方法。最新的方法进展不但运用了深度学习模型，而且在特征提取阶段结合了传统方法以优化细节，提高融合质量。

2024-09-29 19:19:12 1230

转载论文阅读：Wasserstein GAN

由于随机生成分布很难与真实分布有不可忽略的重叠以及JS散度的突变特性，使得生成器面临梯度消失的问题；在最优判别器下等价于既要最小化生成分布与真实分布直接的KL散度，又要最大化其JS散度，相互矛盾，导致梯度不稳定；KL散度的不对称性使得生成器宁可丧失多样性也不愿丧失准确性，导致collapse mode现象。前作过渡方案：添加噪声引入Wasserstein距离，具有优越的平滑特性，理论上可以解决梯度消失问题；将Wasserstein距离写成可求解的形式，可以近似Wasserstein距离；

2024-09-29 19:17:23 121 1

原创论文阅读：MedGAN：Medical image translation using GANs

图像到图像的转换被认为是医学图像分析领域的一个新的前沿领域。

2024-09-21 22:29:13 1078

原创论文阅读：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks

希望能缩小CNN在监督学习和无监督学习之间成功应用的差距。

2024-09-19 17:25:59 1255

原创论文阅读：Generative Adversarial Nets

提出GAN：生成模型 G ，生成模型用来捕获数据的分布；辨别模型 D ，辨别模型用来判断样本是来自于训练数据还是生成模型生成的。在任意函数空间里，存在唯一解，G 能找出训练数据的真实分布，而 D 的预测概率为21。

2024-09-18 23:24:48 1272

原创论文阅读：High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs

一种新的对抗性损失函数以及新颖的多尺度生成器和判别器架构，生成了2048×1024分辨率的图像。加入了两个用于交互式视觉操作的新功能。

2024-09-12 21:46:06 849

原创论文阅读：Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks

成对训练数据缺乏。

2024-09-11 22:39:35 916

原创论文阅读：Bone metastasis scintigram generation using generative adversarial learning with multi‐receptiv

MRF-GMRF-G(multi-receptive field generator)——多感受野生成器组成：生成网络和判别网络，生成网络使用定制的生成器——MRF-G。样本：病灶标签xGTx_{GT}xGT，由经验丰富的专家使用开源工具LabelMe获取；二值矩阵xBMx_{BM}xBM，将x中的所有非零元素设为1、所有零元素设为0来创建二值矩阵；3D高斯噪声xGNx_{GN}xGN；xGTx_{GT}xGT和xBM。

2024-09-10 18:35:39 974

原创论文阅读：Image-to-Image Translation with Conditional Adversarial Networks

L1 损失在不确定边缘具体位置时会鼓励模糊，当不确定像素应采用哪个可能的颜色值时，它也会鼓励选择一种平均的、灰色的颜色。即一个像素的状态（如颜色或强度）只依赖于其局部邻域（Patch）中的像素，而不直接依赖于远处的像素。照片→地图任务偏低的原因可能是在地图中，轻微的结构错误由于其严格的几何形状更加明显，而在更加混乱的航拍照片中则不太显眼。将GAN的目标与更传统的损失（如L2距离）结合起来是有益的。cGANs 的一个显著效果是，它们能生成清晰的图像，即使在输入标签图中不存在空间结构时也会进行“幻觉”生成。

2024-09-09 17:05:22 1395 1

OctYZ的博客