Mar, 2022

无监督异常检测的全频道选择表示

PDF
TL;DR本文提出一种新式的无监督异常检测方法 ——Omni-frequency Channel-selection Reconstruction（OCR-GAN），该方法利用 Frequency Decoupling 模块将图像分解成不同频率成分，并使用多通道的频谱恢复进行重建，同时使用 Channel Selection 模块进行不同编码器之间的频率交互，通过该方法在 MVTec AD 数据集上实现了 98.3 的检测 AUC，超过了既有的基准线和 SOTA 方法。
anomaly detectionreconstruction-based methodsomni-frequency channel-selection reconstructionfrequency decouplingchannel selection
发现论文，激发创造
  • 基于条件生成对抗神经网络的频率感知光学相干层析图像超分辨率重建

    光学相干断层扫描（OCT）通过提高形态结构解析能力，利用深度学习技术实现了基于医学图像的诊断与治疗。为了克服现有深度学习方法在图像重建中的频率偏差问题，本文提出了一种结合频率感知超分辨率框架，通过集成三个关键的基于频率的模块（频率变换、频率跳跃连接和频率对齐）及频率损失函数到条件生成对抗网络（cGAN）的方法。通过对一个现有的冠状动脉 OCT 数据集进行大规模定量研究，证明了我们提出的框架优于现有的深度学习框架。此外，我们还将该框架应用于鱼角膜图像和大鼠视网膜图像，证明了它在眼科成像中对解析形态细节的能力。

    Jul, 2023

  • 用于开放式精细图像识别的互补可变频率感知网络

    提出了一种名为 CFAN 的频率可变意识网络，该网络包含三个顺序模块，其中频率可变过滤模块用于从初步特征中分离出高频和低频成分，以及互补的时间聚合模块用于通过两个 LSTM 网络汇聚高频和低频成分，实现了开放式精细图像识别，与大多数现有技术相比，在 3 个精细数据集和 2 个粗粒度数据集上表现显著优于 9 种最先进的方法。

    Jul, 2023

  • 学习全频域自适应表示以进行实际图像超分辨率

    通过使用频率分解和区域自适应频率聚合，我们设计了一种全频率区域自适应网络（ORNet），用于实现真实图像的超分辨率重建，该网络的训练基于特征表示，能够补偿真实低分辨率图像中的信息丢失，并具有场景不可知性。

    Dec, 2020

  • FAIR: 频率感知的工业视觉异常检测图像恢复

    利用频率偏差进行图像恢复，以解决正常重建保真度和异常重建区分性之间的权衡问题，提出了一种新的自监督图像恢复任务 —— 频率感知图像恢复（FAIR），在各种缺陷检测数据集上以更高的效率实现了最先进的性能。

    Sep, 2023

  • 频率感知的逆一致性 GAN 通过非配对光学相干断层扫描血管造影图像超分辨率

    利用频率信息的 GAN-based 非配对超分辨率方法用于 OCTA 图像，通过双通道生成器特别强调高频细胞由此，实验显示我们的方法在定量和视觉上均优于其他最先进的非配对方法。

    Sep, 2023

  • 基于交叉蒙版修复的多特征重建网络在无监督异常检测中的应用

    本研究提出了一种多特征重建网络（MFRNet），通过平行特征修复和交叉遮罩还原将图像重建转化为多特征重建，用于无监督异常检测。实验结果表明，该方法在四个公开数据集和一个自制数据集上表现出色，并明显优于其他状态艺术品。

    Apr, 2024

  • 深度 OFDM 信道估计：捕捉频率循环

    基于深度学习的信道估计方案 (SisRafNet) 在正交频分复用（OFDM）系统中利用循环模型研究频率间信道的顺序行为，克服了传统的基于循环的方法存在的延迟和内存限制，提供了比现有深度学习信道估计技术更优异的性能，并在多个信噪比下验证了 3GPP 兼容信道场景的性能。

    Jan, 2024

  • 利用频率增广变分自编码器进行图像重建

    本文提出了一种用于增强 VQ-VAE 结构的频率补全模块 (Frequency Complement Module, FCM)，并且引入了一种动态频谱损失 (Dynamic Spectrum Loss, DSL)，用于引导 FCM 动态地平衡频率以获得最佳重建。FA-VAE 进一步扩展到了文本到图像合成任务中，并提出了交叉注意力自回归变换器 (Cross-attention Autoregressive Transformer, CAT) 以获得更精确的文本语义属性。通过在几个基准数据集上进行广泛的重建实验，并与其它最先进的方法进行比较，结果表明，所提出的 FA-VAE 能够更忠实地恢复细节。CAT 在图像文本语义对齐方面也显示出了更好的生成质量。

    May, 2023

  • FECAM: 时间序列预测的频率增强通道注意机制

    本研究提出了一种新的频率增强通道注意力机制，可以自适应地建模通道之间的频率相互依赖关系，避免傅里叶变换中出现的问题性周期性引起的高频噪声，目的是改善当前主流网络的预测能力，并显示出良好的性能。

    Dec, 2022

  • 自监督式脑部 CT 扫描中的异常外检测

    本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

    Nov, 2020