无人监督下生成扩散特征用于 3D 分层结构探索
我们发展了一种神经网络架构,以无监督的方式作为去噪扩散模型进行训练,同时学习生成和分割图像。通过去噪扩散目标来推动学习,无需任何注释或有关区域的先验知识进行训练。神经网络的计算瓶颈鼓励去噪网络将输入分成区域,在并行处理中去噪并结合结果。我们训练的模型生成了合成图像,并通过简单检测其内部预测分割来进行语义分割。在没有任何微调的情况下,我们直接将我们的无监督模型应用于通过加噪和随后去噪来分割真实图像的下游任务。实验表明,我们的模型在多个数据集上实现了准确的无监督图像分割和高质量的合成图像生成。
Sep, 2023
利用生成网络的训练策略,我们提出了一种在无监督单目深度估计中具有鲁棒性的扩散模型,并采用分层特征引导的去噪模块来丰富模型的学习能力,进一步探索了图像重投影中的隐式深度,并设计了一种隐式深度一致性损失,从而提高了模型的性能和深度在视频序列中的尺度一致性。实验证明,我们的方法在生成网络模型中脱颖而出,并且具有显著的鲁棒性。
Jun, 2024
通过自监督框架学习适用于密集下游任务的体素级粗细粒度表示,通过平衡多尺度特征的贡献,确保学习到的表示捕捉到粗粒度和细粒度的细节,并在有限的注释数据下持续优于基准模型。
Jan, 2024
利用切片扩散架构,从医学图像生成融合体数据和对应掩膜,以解决医学图像分割中数据获取不足的问题,并考虑肿瘤特征进行生成,通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。
Jun, 2024
研究表明,扩散模型在捕捉图像等自然数据中的层次组合特征方面具有潜力,通过分析层次生成模型的反向扩散过程,发现在某个阈值时间后,高层次特征的重构概率突然下降,而低层次特征的重构则在整个扩散过程中平滑演化,这为扩散模型的时间与尺度关系提供了理论研究,并将生成模型提出作为建模组合数据特性的强大工具。
Feb, 2024
通过在扩散模型上引入条件机制,对无监督异常检测中的脑部 MRI 图像重构进行优化,以提高重构质量、域适应性特征和分割性能,并且可在不同 MRI 采集和模拟对比度之间进行领域适应,从而提高脑部 MRI 无监督异常检测的性能和泛化能力。
Dec, 2023
介绍了一个无监督的癌症组织分割框架,利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪,实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。
Jun, 2022
本文提出了一种基于扩散模型的非监督超光谱图像 (HSI) 特征学习框架 Diff-HSI,其可以利用时间步长性质捕捉更丰富的特征,设计了一个时间步骤的特征库和动态特征融合模块,最后实现了 HSI 分类。在三个公共 HSI 数据集上进行的广泛实验证明,Diff-HSI 优于各种现有的监督和非监督 HSI 分类方法。
Jun, 2023