深度生成模型的贝叶斯图像重建
通过使用预训练的 StyleGAN2 生成器构建先验分布,将学习的贝叶斯重建与生成模型相结合,实现了对图像修复和超分辨率重建问题的解决,与现有 GAN 图像重建方法相比表现更好。
Oct, 2021
本研究针对深度生成模型如变分自编码器和生成对抗网络在高复杂度图片样本表现的不足,提出一种图像自适应的修复方案,增强复原的表达能力。在图像超分辨率和压缩感知方面进行了实证表明其优势。
Jun, 2019
通过定义一个统一的贝叶斯框架,我们提出了一种变分贝叶斯图像转换网络(VBITN),该网络可以实现多个图像转换和编辑任务;在诸多实验中我们显示了该方法在无监督图像到图像翻译中的有效性,并证明了其在语义编辑和混合领域翻译方面的新颖高级能力。
May, 2023
我们介绍了 GRM,一个能够从稀疏视图图像中在大约 0.1 秒内恢复 3D 资产的大规模重构器。GRM 是一个前馈变换器模型,能够高效地将多视图信息结合起来,将输入像素翻译成像素对齐的高斯分布,通过反投影生成一系列密集分布的 3D 高斯分布来表示场景。我们的变换器架构和使用 3D 高斯分布的方法共同构成了一个可扩展且高效的重构框架。广泛的实验结果证明,我们的方法在重构质量和效率方面优于其他替代方法。我们还展示了 GRM 在生成任务中的潜力,即将其与现有的多视图扩散模型集成,如文本到 3D 和图像到 3D。有关我们的项目网站,请访问:this https URL
Mar, 2024
通过多分支生成模型的学习协同重建医学图像的概念验证方法,利用变分自编码器(VAEs)和生成对抗网络(GANs)学习同时对成对图像,实现有效的去噪和重建;通过将训练好的模型引入正则项来评估图像与模型之间的距离,类似于多通道字典学习(DiL),在 Modified National Institute of Standards and Technology(MNIST)和正电子发射断层显像(PET)/ 计算机断层扫描(CT)数据集上展示了我们方法的实效性,突出了生成模型在改进医学成像重建方面的潜力。
Apr, 2024
本文提出了一种基于生成模型的贝叶斯逆问题方法,特别针对图像重建中的噪声和不完整图像,并解决了贝叶斯重建中遇到的常见问题:使用包含所有可用信息的复杂数据驱动先验,并在潜在空间和数据空间中进行可计算的不确定性量化。
Oct, 2019
该研究提出了一种基于生成模型和对抗学习的图像恢复算法,并通过物理模型约束学习提高了生成对抗网络的图像生成质量,具有在多种低级视觉问题中应用的广泛适用性。
Aug, 2018
本文成功应用了 CSGM (Bora-Jalal-Price-Dimakis'17) 框架于临床 MRI 数据上,通过训练大脑扫描图像来生成先验分布,进而使用 Langevin 动态采样实现高质量的重建,在实验中表现出对真实分布和测量过程的鲁棒性。
Aug, 2021
该研究使用对抗学习方法,采用基于 SRGAN 模型的 3D 卷积生成高分辨率 MRI 扫描图像,结合最小二乘法的对抗损失和基于均方误差和图像梯度的内容项提高生成图像的质量,并在上采样阶段探索不同的解决方案,具有潜在的 3D 医学成像超分辨率应用价值。
Dec, 2018
利用深度学习方法,通过在生成式模型的分离潜在空间中对先验图像的概念性信息进行约束和优化,提出了一个框架用于从高度不完整的成像测量中估计与已知先验图像有语义相关性的对象。
Feb, 2021