最新 ICCV 2021 | GAN隐私保护（33）医学图像（34）生成对抗GAN

最新推荐文章于 2025-04-28 21:22:36 发布

机器学习与AI生成创作

最新推荐文章于 2025-04-28 21:22:36 发布

阅读量1.9k

点赞数 1

分类专栏：扩散模型与GAN生成对抗网络文章标签：深度学习计算机视觉人工智能机器学习 python

版权

121 篇文章

订阅专栏

三十三、隐私保护

智能手机和监控摄像头在内的智能设备的普及，导致更严重的隐私问题。“去识别（ De-identification）”被认为是通过隐藏或替换身份信息的过程来保护视觉隐私的有效工具。

大多数现有的去识别方法都有一些限制，因为它们主要关注保护过程并且通常不可逆。本文提出一种基于深度生成模型的可逆去识别方法，其主要思想是引入用户特定密码和可调节的参数来控制身份变化的方向和程度。

社交媒体和网络共享的时代，数据隐私和安全性越来越受到关注。本文开发一种可以加密个人照片的技术，以便它们可以保护用户免受未经授权的人脸识别系统的侵害，但在视觉上与人类的原始版本保持一致。
为了实现这一点，提出了一种有针对性的身份保护迭代方法（TIP-IM）来生成可以覆盖在人脸图像上的对抗性身份掩码，从而可以在不牺牲视觉质量的情况下隐藏原始身份。大量实验表明，在实际测试场景下，TIP-IM 针对各种最先进的人脸识别模型提供了 95% 以上的保护成功率。

细胞核的检测和分割是病理图像中的基本分析操作，从中得出的评估是癌症诊断的重要评判标准之一。手动分割细胞核既昂贵又耗时。更重要的是，由于外观变化大、细胞核连体重叠、组织结构退化严重，细胞核的准确分割检测具有挑战性。监督方法高度依赖大量带注释的样本。现有的两种无监督方法在退化样本上容易失败。
本文提出一种用于病理图像中的细胞核检测和分割的相互补充框架 (MCF)。MCF的两个分支以相互补充的方式进行训练，其中检测分支补充分割分支的伪掩模，而渐进训练的分割分支通过计算预测掩模和检测结果之间的掩模残差来补充缺失的核模板。大量实验表明MCF的有效性。

非配对视频转换的研究主要集中在通过调节相邻帧来实现短期时间一致性。对于从模拟到逼真的序列转换，有关基础几何的可用信息为实现跨视图的全局一致性可以提供信息。
本文提出将不成对的图像转换与神经渲染相结合，模拟转换为逼真手术腹部场景。通过引入全局可学习纹理和光照不变的视图一致性损失，方法可完成任意视图的一致转换，实现一致性良好的视频合成效果。
代码和数据http://opencas.dkfz.de/video-sim2real/

结肠镜息肉图像的自动分割是计算机辅助诊断结直肠癌的重要步骤。近年来报道的大多数息肉分割方法都是基于全监督的深度学习方法。然而，医生在诊断期间对息肉图像进行打标注成本极高。
本文提出一种新的半监督息肉分割方法，通过协作和对抗学习的聚焦（focused）和分散（dispersive ）表示学习模型，处理息肉位置和形状的多样性。此外，判别器在对抗性训练框架中生成的置信度图显示了利用未标记数据和提高分割网络性能的有效性。
对两个著名的息肉数据集Kvasir-SEG 和 CVC-Clinic DB进行了广泛的实验，结果证明了方法的有效性和先进性。