协同图像和特征适应：面向医学图像分割的跨模态域自适应

AAAIJan, 2019

协同图像和特征适应：面向医学图像分割的跨模态域自适应

Synergistic Image and Feature Adaptation: Towards Cross-Modality Domain Adaptation for Medical Image Segmentation

Cheng Chen, Qi Dou, Hao Chen, Jing Qin, Pheng-Ann Heng

TL;DR本文提出了一种新的无监督域自适应框架，称为 Synergistic Image and Feature Adaptation（SIFA），旨在解决域移位问题，通过图像和特征透视图的协同适应实现。

Abstract

This paper presents a novel unsupervised domain adaptation framework, called Synergistic image and feature adaptation (SIFA), to effectively tackle the problem of domain shift. Domain adaptation has become an imp

unsupervised domain adaptation neural networks image and feature adaptation medical image segmentation adversarial losses

发现论文，激发创造

医学图像分割的深度协同图像与特征对齐无监督双向跨模态适应

本文提出了一种名为 SIFA 的新型无监督域自适应框架，从图像和特征两方面进行协同对齐，利用多方面的对抗学习和深度监督机制增强了特征的域不变性，提高了在未标记目标图像上的分割性能。

Feb, 2020

语义分割的无监督对比域自适应

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022

跨模态图像分割的高效无监督领域自适应算法

本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法，该方法结合了基于变分自编码器的特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，在仅使用一个未标记的 3D CT 扫描的情况下，该方法在相同的设定下胜过现有的技术。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

Jul, 2019

通过样本原型锚定特征对齐和对比学习进行无源域适应的医学图像分割

在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。

Jul, 2023

标签驱动的域自适应语义分割重建

该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐，该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明，该方法在从合成到真实的城市场景理解中具有良好的效果。

Mar, 2020

基于跨模态域适应的医学图像分割中频率和空间域内的领域差异降低

本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。

Nov, 2022

领域自适应的图像到图像翻译

提出了一种无监督域适应的通用框架，利用添加额外的网络和损失函数，通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下，测试源域训练的深度神经网络在不同的目标域上的能力，并在分类和分割任务上，应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集，取得了最先进的性能。

Dec, 2017

使用对抗性损失对卷积神经网络进行生物医学图像分割的无监督跨模态域自适应

本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

Apr, 2018

语义分割中的上下文感知域自适应

本文提出了一种基于交叉关注机制的无监督域自适应方法，用于在语义分割中将一个域中的知识转移到另一个域中，通过对自注意力机制的改进，能够更好地适应上下文依赖性和转移可操作的上下文信息，优于现有的方法。

Mar, 2020

对比、风格化和适应：用于域自适应语义分割的无监督对比学习框架

本文提出使用有别于过往方法的对比公式来实现 CONtrastive FEaTure and pIxel alignment (CONFETI)，并使用类别间跨领域信息将像素级和特征级（采用像素原型对比方法）的对齐相结合，以用于解决合成和真实世界数据集之间的领域缺口问题，在 DeepLabV2 上优于现有最先进方法。

Jun, 2023