Jul, 2018

应用结构相似性改进自编码器的无监督缺陷分割

PDF
TL;DR本文介绍了利用结构相似性的感知损失函数，通过考虑图像之间的相互依赖关系，包括亮度，对比度和结构信息，而不是简单的单像素值对比，来实现对复杂真实数据集的未监督缺陷分割，通过对仿生材料和织物数据集的实际应用表明，该方法在性能上显著优于以像素为基础重建误差度量的非网络方法以及先前的优化卷积自动编码器。
convolutional autoencodersunsupervised defect segmentationperceptual loss functionstructural similarityreal-world dataset
发现论文，激发创造
  • 基于集成结构的异常评分扩散模型的无监督异常检测

    本研究探讨了结构相似度（SSIM）在大脑 MRI 异常检测方面的潜力，并展示了一种自适应集成策略，该策略能够增强深度学习模型的性能，并减少对不同病理图像的核大小的敏感性。

    Mar, 2024

  • 水平加权结构相似性差异度损失：从均方误差迈出一步

    文章提出了一种基于结构相似度指标（SSIM）的新的加权结构相似度损失（LWSSIM）来代替均方误差（MSE）损失函数， 可以解决像素的独立性和样本空间相关性的矛盾，该模型在各种自编码器中得到了成功的应用。

    Apr, 2019

  • 使用感知相似度度量学习生成图像

    通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

    Nov, 2015

  • 基于自编码器的制造质量控制与无监督类别选择

    基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。

    Sep, 2023

  • 自监督上下文学习用于工业缺陷的视觉检测

    本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

    Nov, 2023

  • 使用 Skip 连接在 Stain-shaped 噪声污染的图像上训练自编码器以提高异常检测

    本文研究工业视觉中基于自编码器网络的异常检测问题，通过引入 skip 连接的自编码器结构并使用一种新的 Stain 噪声模型，使网络能从有缺陷的图像中重建出干净图像，实现像素级或者图像级的异常检测。

    Aug, 2020

  • 使用已学习的相似度度量进行像素外的自编码

    提出了一种自动编码器技术，结合了变分自动编码器与生成式对抗网络，可透过特征表示量测数据空间的相似性，进而以特征误差为基础重新构建数据分布，其具有位移不变性，运用在脸部图像上可提供更优的视觉保真度，并能够学习出抽象且高层次的视觉特征。

    Dec, 2015

  • 通过计算潜在表示之间的不相似度来提高脑部 MRI 切片肿瘤检测

    本篇研究使用变分自动编码器（Variational AutoEncoder，VAE）结合半监督方法，基于磁共振图像（MRI）比较健康患者和非健康患者，有效地检测肿瘤等异常情况。通过在高分辨率图片上训练模型，提高重建质量和阈值，检测效果可与使用单独 VAE 训练的方法比肩。

    Jul, 2020

  • 具有纯粹性机制和结构相似损失的显著目标检测

    该研究提出了一种基于注意力机制和去噪的卷积神经网络方法，在多个数据集上实现了对显著目标的高精度检测，并实现了超过 27FPS 的实时处理速度。

    Dec, 2019

  • 无监督结构噪声去除的变分有损自编码器

    本研究介绍了一种基于深度学习的无监督降噪方法，能够移除图像中的信号相关噪声和轴向相关噪声，无需干净图像或噪声模型作为输入，实验结果表明该方法优于现有的自监督和无监督图像降噪方法。

    Oct, 2023