应用空间感知注意力生成对抗网络 (SAGAN) 对医学图像异常检测进行半监督生成,通过定位编码和注意力机制精确聚焦于修复异常区域并保留正常区域,利用生成的健康图像与原图像的差异作为异常分数,实验证明 SAGAN 在三个医学数据集上的性能优于现有方法。
May, 2024
本文提出了基于注意力机制的生成对抗网络 AGGAN,在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化,训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失,实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。
Mar, 2019
提出了一种名为 MSG-SAGAN 的多尺度梯度生成式对抗网络结构,用于解决不平衡的生物医学图像数据集生成多样化高质量的 X 光影像。通过使用多尺度渐变和注意力机制来改善生成器和鉴别器模型中生物医学图像特征的长程依赖之间的关系,以减少模式崩溃和稳定 GAN 的训练。与多尺度梯度 GAN (MSG-GAN) 相比,结果表明 MSG-SAGAN 在合成多样化的图像方面表现更好。
Oct, 2022
本文提出了一种新的局部稀疏注意层,通过使用信息流图的新颖信息论准则来设计我们提出的稀疏注意模式,将 SAGAN 中密集的注意层替换为我们的构造,可获得非常显著的 FID、Inception 分数和纯视觉改进。同时,还提出了对注意机制进行反演的方法,并通过生成的显著性图可视化了所引入的注意头,展示他们的确捕捉到了真实图像的二维几何有趣方面。
Nov, 2019
通过改进背骨网络和损失集成方法提出了 SEAttnGAN,它是一种高质量图像到文本模型,可以通过引导生成模型来提高其性能和质量。
Jun, 2023
本研究探讨了一种名为 SGAN 的备选训练方法,通过该方法,多个对抗的 “本地” 网络对可独立进行训练,以便 “全局” 监督网络可以针对它们进行训练,以提高模式覆盖性能。实验结果表明,该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。
Dec, 2017
本研究提出了一种基于生成对抗网络的训练方法,通过利用教师 - 网络生成的注意力图来提高图像生成的质量,以及在生成的图像上执行弱目标定位。该方法在 HEp-2 细胞图像上进行了研究,表明其可以进行弱定位。该方法可用于图像生成和数据注释,例如在目标检测中。
Feb, 2018
本文提出了一种名为 SGAN 的新型生成模型,其利用自底向上的判别网络的分层表示创造了一个自上而下的 GAN 堆栈,对其进行反演。通过引入表示鉴别器和条件损失并使用多个噪声向量,SGAN 能够生成质量更高的图像。
Dec, 2016
本文提出一种新颖的双重注意力生成对抗网络(DAGAN),利用 position-wise 空间注意力模块和 scale-wise 通道注意力模块,从输入布局中综合地捕捉了语义结构注意力,实现了从语义标签到具有细节的照片逼真图像的生成。实验结果表明 DAGAN 相较于现有方法在多项数据集上实现了更好的结果,同时使用更少的模型参数。
Aug, 2020
本文提出了一种新的基于注意力向导的生成对抗网络 (AttentionGAN),通过生成注意力掩码来识别最具区别性的前景物体,并将生成的输出融合到注意力掩码中,从而获得高质量的目标图像,实验表明,相较于现有的竞争模型,该方法能够生成更鲜明和更现实的图像。