Aug, 2020

面向计算病理学的解耦非监督表征学习

PDF
TL;DR本文利用旋转等变卷积网络的群体结构扩展了变分自编码器框架，学习了组织病理学图像的方向无关性生成因素的分离表示，在减少影响的同时提高了单细胞图像子群聚合表示的性能。
unsupervised learningvariational auto-encoder, convolutional networkshistopathology imagesdisentangled representationsub-populations of cells
发现论文，激发创造
  • 目标中心学习中的明确解耦表示

    从原始视觉数据中提取结构化表示是机器学习中一个重要且长期存在的挑战。最近，无监督学习目标为客观中心化表示的技术引起了越来越多的关注。本文提出了一种新颖的架构，通过在潜在空间维度的两个不重叠的子集中偏置客观中心化模型，以将形状和纹理成分分离开。在一系列客观中心化基准测试中的实验证明了我们的方法实现了所需的分离性，并在大多数情况下在数值上提高了基准性能。此外，我们还展示了我们的方法可以为特定对象生成新颖的纹理或在具有不同形状的对象之间传递纹理。

    Jan, 2024

  • 通过循环一致变分自编码器分离变异因素

    本文提出了一种使用弱监督来将潜在空间分离成两个互补子空间的新架构，使用变分自编码器中的循环一致性，获得鼓舞人心的结果，并与利用对抗训练的最近作品进行了比较。

    Apr, 2018

  • 贝叶斯固有群体图像配准：解开解剖和几何之间的无监督分离

    该论文提出了一种基于贝叶斯学习的医学图像多模式群组注册的通用框架，通过概率建模图像生成过程中的公共解剖结构和几何变化，利用贝叶斯推理实现了群组注册。论文提出了一种新颖的层次化变分自编码架构，可以以数学可解释的方式计算注册参数，通过无监督闭环自重构过程实现群组注册，并且这种架构具有计算效率高、可扩展性强的特点。通过对心脏、脑部和腹部医学图像四个数据集的广泛实验证明了该框架的优越性，包括准确性、效率、可伸缩性和可解释性。

    Jan, 2024

  • 基于条件不变性的表示学习，解构细胞异质性

    本文提出了一种新颖的方法，利用领域变化来学习表现出有条件对不想要的多变性或干扰的不变表示。

    Jul, 2023

  • 图像合成的无监督鲁棒性潜在特征分离

    通过学习一个新的方法，深度生成模型可以不需要姿态注释便可学习到表征物体外观和姿态等属性的独立潜在特征，这些特征是可以解释的，且能够生成和修改图像。

    Oct, 2019

  • 生成模型中外观和视角的明确分离

    通过一个双重潜在空间信息的生成模型，我们利用空间变换器和变分自动编码器构成了一种具有归纳偏差的 Variationally Inferred Transformational Autoencoder (VITAE) 方法用于实现解缠表示的学习，实验结果表明，我们的模型在 MNIST 图像上有效区分了数字类型和视觉风格，对于 CelebA 数据集，能够将人脸外形和姿态以及面部特征与面部形状分开。

    Jun, 2019

  • 一种用对抗神经张量方法学习分离表示的方法

    本文提出了一种无监督的深度学习方法来分离在野外拍摄的脸部图像中的多个潜在变化因素，其中多个潜在变化因素的乘法交互通过多线性（张量）结构明确地建模。该方法学习了面部表情和姿态的分离表示，可用于各种应用，包括面部编辑，以及三维面部重建和面部表情、身份和姿态的分类。

    Nov, 2017

  • 通过独立子空间学习分离的表示

    本论文提出了一种利用神经网络学习解开图像可控制性表示从而允许局部图像操作的方法，能够直接转移面部特定区域如眼睛、头发和嘴巴等部分的形状和颜色，而其他部位不变，通过使用定位的 ResNet 自编码器和几个损失函数进行训练，利用 CelebA 数据集检验了该方法的良好效果。

    Aug, 2019

  • 用单目图像学习具有解缠几何和外观的 3D 生成模型

    本文提出了一种基于 3D 生成模型的非刚性可变形场景表达方法，通过联合学习规范模型及其变形，并使用姿态正则化损失来改善模型的场景与摄影视角的分离性，同时还可以嵌入真实图像中并进行编辑。

    Mar, 2022

  • 无自编码的无监督解缠的陷阱和未来方向

    本文研究基于对比学习的正则化方法来实现大规模数据集的非监督式解缠表示学习，并分析了不同正则化方法的利弊与下游任务性能表现。

    Aug, 2021