图像生成
文章平均质量分 94
BulingQAQ
这个作者很懒,什么都没留下…
展开
-
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,原创 2024-10-10 21:56:01 · 1098 阅读 · 0 评论 -
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。原创 2024-10-06 17:11:48 · 1139 阅读 · 0 评论 -
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。原创 2024-09-29 22:08:27 · 1261 阅读 · 0 评论 -
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;转载 2024-09-29 19:17:23 · 127 阅读 · 1 评论 -
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。原创 2024-09-21 22:29:13 · 1078 阅读 · 0 评论 -
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。原创 2024-09-19 17:25:59 · 1256 阅读 · 0 评论 -
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。原创 2024-09-18 23:24:48 · 1273 阅读 · 0 评论 -
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。原创 2024-09-12 21:46:06 · 849 阅读 · 0 评论 -
论文阅读:Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks
成对训练数据缺乏。原创 2024-09-11 22:39:35 · 919 阅读 · 0 评论 -
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。原创 2024-09-10 18:35:39 · 978 阅读 · 0 评论 -
论文阅读:医学图像数据集扩充方法研究进展
没有提出广泛接受的生成图像质量评价标准,多用:峰值信噪比(peak signal to noise ratio, PSNR)、IS、FID等来衡量图像质量2D医学图像无法 完整表达人体器官的结构特性仍致力于研究单模态医学图像生成,未充分利用医学图像的多模态信息GAN生成的图像用于医学图像分析领域可能会带来不可预知的问题对其他领域的优秀模型的吸收和借鉴非常有限带标注医学图像数据难以获取建立广泛接受的定性评价标准医学图像分析对高维度的图像需求也将进一步增加。原创 2024-09-05 22:10:25 · 1209 阅读 · 0 评论 -
论文阅读:深度学习图像数据增广方法研究综述
数据增广作为从数据层面提高机器学习模型性 能的一项重要手段,广泛应用于各个领域,尤其是那 些样本获取成本高、标注难度大的领域。按照增广数据的生成方式划分为四类:单数据变形、多数据混合、学习数据分布和学习增广策略基于学习的方法对于数据增 广同样具有广阔的发展前景,主要在于以下几个方面: 根据数据和任务基于强化学习探索最优的组合策略;基于元学习自适应地学习最优数据变形和混合方式;基于生成对抗网络进一步拟合真实数据分布以采样高质量的未知数据;基于风格迁移探索多模态数据互相转换的应用。原创 2024-09-07 00:02:48 · 1345 阅读 · 0 评论 -
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。原创 2024-09-09 17:05:22 · 1398 阅读 · 1 评论