May, 2020

iUNets：可学习上 / 下采样的全可逆 U-Nets

PDF
TL;DR本篇论文介绍了一种基于可逆 U-Net 结构的新型网络 iUNet，它采用了新颖的可学习可逆上下采样操作，可以在同样的 GPU 存储限制下，训练更深更大的网络，并用于建立正则化流模型。
u-netimage-to-image learningiunetmemory-efficient backpropagationnormalizing flows
发现论文，激发创造
  • i-RevNet：深度可逆网络

    通过 i-RevNet 网络的可逆性证明了深度卷积网络并不需要通过逐步丢弃输入信息来学习代表信息以获得泛化能力，并通过线性插值对模型学习到的信息进行了解释。

    Feb, 2018

  • 一种部分可逆的 U-Net 用于内存高效的体积图像分割

    在 3D 卷积神经网络分割方面，一种部分可逆的 U-Net 架构通过减小内存消耗实现了深度增强并提高了分割准确性，在 BraTS 挑战数据集上展示出了很大的内存节省。

    Jun, 2019

  • 图 U-Net

    本文提出了面向图形数据的表示学习的新方法，包括 gPooling 和 gUnpooling，并基于这些方法开发了一种编码器 - 解码器模型 —— 图形 U-Nets，实验结果表明该模型在节点分类和图形分类任务中的性能明显优于先前的模型。

    May, 2019

  • U-Nets 作为信念传播：在生成层次模型中高效分类、去噪和扩散

    通过研究某些生成式分层模型，本文引入了 U-Net 架构的新解释，它是一种在语言和图像领域广泛使用的树状结构图模型。我们演示了 U-Net 如何自然地在这些生成式分层模型中实现置信传播去噪算法，并以此高效逼近去噪函数。此外，我们讨论了这些发现对生成式分层模型中扩散模型的更广泛影响，还证明了卷积神经网络 (ConvNets) 的传统架构在这些模型中非常适合分类任务，从而突显出生成式分层模型在语言和图像领域中建模复杂数据分布的多功能性。

    Apr, 2024

  • U-Net 设计与分析的统一框架

    本文提出了一个设计和分析通用 U-Net 体系结构的框架，介绍了它们在编码器和解码器中的作用，通过预处理与 ResNets 的相关性及其高分辨率缩放极限，为 PDE 模型、图像分割和扩散模型提供了更好的性能，并提出设计新的 U-Net 架构以便超越方形外的多种问题

    May, 2023

  • 编码器更复杂并非唯一需求

    U-Net 及其变种在医学图像分割中被广泛使用，然而大多数变种仅仅将改进策略局限于构建更复杂的编码器，而忽视了解码器的真正功能和提高分割结果的关键作用。为解决相关研究的空白，我们引入了 neU-Net，其中包括一种新颖的子像素卷积来进行上采样，以构建强大的解码器，并在编码器端引入多尺度小波输入模块以提供额外的信息。我们的模型设计在 Synapse 和 ACDC 数据集上取得了出色的结果，超过了其他最先进的方法。

    Sep, 2023

  • 可逆图像重缩放

    本文提出了一种新的、基于可逆双射转换的图像下采样和上采样建模方法，使用一种随机生成的潜向量来反向生成指定分布的下采样信息，提高了降采样图像的上采样表现。通过定量和定性的图像重建评估，证明了该方法在图像上采样重建方面相比现有方法有显著的改进。

    May, 2020

  • 非局部 U-Net 用于生物医学图像分割

    本文提出非局部 U-Net，它配备了灵活的全局聚合块，在医学影像分割中取得了良好的结果。

    Dec, 2018

  • U-Net: 生物医学图像分割的卷积神经网络

    该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

    May, 2015

  • 倒推学习倒推

    本文提出了一种具有恒定内存的迭代逆模型，利用可逆网络避免存储中间激活数据，可以在 MRI 图像重建任务中训练具有 400 层的模型，并在公共数据集上证明这些更深、更具表现力的网络实现了最先进的图像重建。

    Nov, 2019