May, 2023

BlindHarmony: 通过流模型实现 MR 图像的盲调和

PDF
TL;DR本研究提出了一种称为 “盲协调” 的新概念，利用目标领域的数据进行训练但仍具有协调看不见领域图像的能力，为此我们开发了 BlindHarmony 技术，利用目标领域数据进行训练的无条件流模型。实验结果显示 BlindHarmony 在模拟和实际数据集上都取得了显着的成绩，突显了它在临床设置中的潜力。
发现论文，激发创造
  • 影像技术一致化 (HAIL)：脑部磁共振成像的单次学习

    我们提出了一种基于神经风格迁移的一次学习方法，用于医学影像的谐调化，以防止医学成像中的幻觉，并有效地保护患者的解剖结构。我们的方法可以应用于新的临床场景和临床试验中的未见数据，成为现实世界医学应用的宝贵工具。

    Aug, 2023

  • DiffHarmony：潜在扩散模型与图像融合

    本研究旨在解决图像融合的问题，通过调整图像的前景与背景以达到统一的视觉一致性。研究采用预训练的潜在扩散模型生成和初步处理模糊的初始图像，通过两种策略（在推理过程中利用高分辨率图像和引入额外的优化阶段）进一步提高初步处理后图像的清晰度，并通过在 iHarmony4 数据集上进行大量实验证明了我们方法的优越性。

    Apr, 2024

  • 分层动态图像调和

    本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。

    Nov, 2022

  • BargainNet: 用背景引导的领域翻译实现图像融合

    本研究提出了一种基于深度学习的图像和谐网络，采用背景引导域转换的方式，通过背景信息对前景进行调整，实现了高质量的图像合成。

    Sep, 2020

  • 颈动脉超声的领域自适应模型：图像协调、噪声减少及对心血管风险标记的影响

    通过生成对抗网络（GAN）模型，提出了一种基于图像转换的方法来解决超声图像中的领域自适应问题，该方法能够改善图像的纹理模式和降噪，同时保持图像的解剖结构。

    Jul, 2024

  • 光照感知合成的内在协调

    本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法，通过估计中级视觉表征生成的大体阴影，再通过网络对其进行修正以生成与背景场景一致的协调再阴影，结合先前协调方法的思想，在色调域中执行参数化图像编辑，实现前景与背景的颜色外观匹配，并通过挑战性实际复合结果和用户研究验证我们方法的有效性和与最先进的协调方法相比增强的真实感。

    Dec, 2023

  • DoveNet：基于领域验证的深度图像融合

    本文介绍了一种基于深度学习的图片和谐方法 DoveNet，在 COCO、Adobe5k、Flickr 和 day2night 这些数据集上生成了一组 iHarmony4 数据集。我们提出了一种先进的新颖的领域验证鉴别器，使前景能够被翻译成与背景相同的领域。在所构建的数据集上大量实验表明，我们提出的方法是有效的。

    Nov, 2019

  • HarmoFL：在异构医学图像联邦学习中协调本地和全局漂移

    本研究提出了一种名为 HarmoFL 的新框架，旨在解决医学图像中的飘移问题，通过归一化特征空间和设计客户端权重扰动，以改善本地更新漂移并实现全局最优解的聚合，来达到更好的收敛表现。

    Dec, 2021

  • Harmonizer: 学习执行白盒图像和视频协调

    将图像合成执行为图像级回归问题，使用神经网络预测滤镜参数，结合高效的白盒滤镜逼真地生成合成图像，实现了高分辨率图像的快速处理，稳定且优于现有方法的多个实验效果，并在视频合成中成功应用。

    Jul, 2022

  • 扩散模型下的图像融合

    通过应用扩散模型，我们比较了两种条件性扩散模型 (Classifier-Guidance 和 Classifier-Free) 在处理前景图像的亮度和颜色调整，从而达到与背景无缝融合的视觉效果，提出了一种新的图像和谐化方法。

    Jun, 2023