May, 2021

透过反向一致性学习规则地图

PDF
TL;DR探索通过逆一致性损失和随机离散插值结合的深度网络进行空间变换来获得映射的规则性，并且发现使用这种方法可以在不需要良好正则化器的情况下获得规则的映射，同时达到注册性能竞争力。
learning mapsspatial transformationsregularitydeep learningimage registration
发现论文，激发创造
  • 通过梯度反变一致性实现近似微分同胚

    该研究提出了一种利用神经网络实现医学图像配准的方法，通过反向一致性惩罚促进转换规则性，并使用 'GradICON' 作为正则化器，从而在多种真实医学图像数据集上实现了最先进的配准精度。

    Jun, 2022

  • 图像到图像转换的半监督范式 —— 变换一致性正则化

    本研究提出了一种基于几何变换的一致性约束正则化半监督图像翻译算法，在图像着色、去噪和超分辨率等数据敏感任务中，表现出仅需约 10-20% 有标注样本数量就能与标注样本量一样优秀的表现，同时可在视频处理任务中大幅提升质量。

    Jul, 2020

  • 小数据集学习：图像重建中的基于图块的正则化器

    借助深度神经网络，本文研究了解决小数据集的逆问题，集中在将基于模型的方法与数据驱动方法相结合，通过逼近图像先验对全局经验分布的 Wasserstein 差异进行判罚及最大对数似然进行最优化，实现了贝叶斯逆问题的不确定性量化，并在计算机断层摄影、图像超分辨率和修复领域取得了高质量的结果。

    Dec, 2023

  • 利用等周损失进行零样本学习

    该论文介绍了等周损失（isoperimetric loss）作为图像表示到语义嵌入的映射的正则化标准，提出了一种使用预训练的深度神经网络模型作为图像数据的视觉表示的方法，并使用线性映射将视觉和语义嵌入空间结合起来，此方法通过利用样本空间中定义的图结构来正则化样本嵌入和结构，进而将零样本学习的性能提高到了目前的最高水平。

    Mar, 2019

  • 多步深度配准的构建反一致性

    提出了一种将神经网络逆一致化的简单技术，通过构建其结构，只要它将输出变换参数化为李群。将该技术扩展到多步神经注册，通过以保持逆一致性的方式组成许多这样的网络。我们在合成的 2D 数据和四个 3D 医学图像配准任务上评估了我们的技术，在确保逆一致性的同时获得了出色的配准精度。

    Apr, 2023

  • 无监督可变形图像配准的反向一致深度网络

    该研究提出了一种基于无监督深度学习的反变换一致性深度网络（ICNet）用于可变形图像配准，该方法使用反变换一致性和抗折叠约束以实现转换的微分同胚性，并在脑磁共振成像领域具有优越的性能。

    Sep, 2018

  • 图像配准度量学习

    本文介绍了一种利用深度学习优化图像配准的方法，通过学习一个适应性正则化程序来控制变换的规则性，从而实现更好的结果输出。

    Apr, 2019

  • 在过度参数化模型中表征标记数据的结构规律

    该论文分析了神经网络模型对个别实例的处理方式，通过一致性得分来表征模型的预期准确度，并使用采样自数据分布的不同大小的训练集对多个数据集中的个别实例进行了实证估计，从而确定模型处理模式与模式的一致性，该方法可应用于分析深度学习系统中的过分拟合问题。

    Feb, 2020

  • 利用最坏情况变换实现不变性正则化，提高准确性和空间稳健性

    对标准或对抗训练添加正则化技术，可提高对空间扰动的容忍度，并缩小误差率，同时无需增加额外的计算成本，这种优化策略被证明比专门针对空间等变性的网络更加有效。在无穷大数据条件下，该训练模型也能同时提高 SVHN 数据集的标准准确率。

    Jun, 2019

  • 基于引导深度生成模型的空间正则化多波段成像反问题

    本文提出了一种使用辅助高分辨率图像提取定制数据驱动空间正则化的通用框架，并将其用于多波段图像融合和修复任务中，实验结果表明与传统方法相比，具有更好的效果。

    Jun, 2023