1.MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model
基于条件扩散模型的医学图像分割
内容与创新点:
提出了第一个基于DPM的通用医学图像分割任务模型,将其命名为 MedSegDiff。为了提高医学图像分割中DPM的分步区域注意,提出了动态条件编码方法,为每一步采样建立状态自适应条件。进一步提出了特征频率分析器(FF-Parser),以消除高频噪声成分在此过程中的负面影响。
论文地址:(V2版)[2301.11798] MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer (arxiv.org)
[2211.00611] MedSegDiff: Medical Image Segmentation with Diffusion Probabilistic Model (arxiv.org)
论文代码:KidsWithTokens/MedSegDiff: Medical Image Segmentation with Diffusion Model (github.com)
2.Activating More Pixels in Image Super-Resolution Transformer
激活更多像素的图像超分transformer
内容与创新点:
设计了一种HAT(混合注意力transformer),结合自注意力、通道注意力和设计的重叠交叉注意力,激活更多的像素以更好地重建。同任务预训练策略,进一步挖掘SR-Transformer的潜力。表明了大规模数据集预训练对任务的重要性。
论文地址:
[2205.04437] Activating More Pixels in Image Super-Resolution Transformer (arxiv.org)
论文代码:
3.ResShift: Efficient Diffusion Model for Image Super-resolution by Residual Shifting
通过残差转移实现高效扩散模型超分
内容与创新点:
为了解决采样(推理)速度慢,模型计算量大的问题,本文提出了ResShift方法,该方法将扩散模型最终步由白噪声转变为LR图像,同时是在Latent Space空间进行该操作,两个操作都有效降低了计算量,加快了推理速度,同时该方法提出了一个噪声表(schedule),能够有效控制扩散过程中的噪声强度和转换速度,也可有效控制保真度-真实性trade-off。
论文地址:
论文代码:
4.High-Resolution Image Synthesis with Latent Diffusion Models
潜扩散模型实现高质量图像生成
内容与创新点:
Latent Diffusion Models通过在一个潜在表示空间中迭代“去噪”数据来生成图像,然后将表示结果解码为完整的图像。论文提出一种在潜在表示空间(latent space)上进行diffusion过程的方法,从而能够大大减少计算复杂度,同时也能达到十分不错的图片生成效果。相比于其它空间压缩方法,论文提出的方法可以生成更细致的图像,并且在高分辨率图片生成任务上表现得也很好。
论文地址:
[2112.10752] High-Resolution Image Synthesis with Latent Diffusion Models (arxiv.org)
论文代码:
CompVis/latent-diffusion: High-Resolution Image Synthesis with Latent Diffusion Models (github.com)
5.Exploiting Diffusion Prior for Real-World Image Super-Resolution
利用扩散先验进行真实世界的图像超分辨率
内容与创新点:
首先微调附加到固定预训练扩散模型的时间感知编码器。特征与可训练的空间特征变换 (SFT) 层相结合。这种设计能够利用图像 SR 的扩散先验。引入了一个可控的特征包装(CFW)模块,给定LR特征的信息Fe和来自固定解码器的特征Fd,以残差的方式获得一个调优的特征Fm。使用可调系数 w,CFW 可以在质量和保真度之间进行权衡。
论文地址:
[2305.07015] Exploiting Diffusion Prior for Real-World Image Super-Resolution (arxiv.org)
论文代码:
IceClear/StableSR: Exploiting Diffusion Prior for Real-World Image Super-Resolution (github.com)
以后会继续更新更多优质文章,感谢支持~