Jun, 2023

基于差分特征引导 DDPM 的变化检测图生成的变化传播

PDF
TL;DR本研究提出了基于 DDPM 的 change-aware diffusion model (CADM) 模型，使用有限的标注数据快速训练，采用动态差分条件编码来增强 bitemporal change detection 任务中的区域注意力，实验结果表明相对于现有模型表现显著更优，充分说明了该模型的泛化性和有效性。
发现论文，激发创造
  • 基于 DDPM 的变化检测的特征操作

    拟议了两种方法：Feature Attention 和 FDAF，将从扩散模型中提取的特征图进行语义上有用的操作；在 LEVIR-CD 数据集上，使用 Feature Attention 的模型获得了 F1 值（90.18）和 IoU 值（83.86）的最新成绩。

    Mar, 2024

  • Siamese Meets Diffusion Network: SMDNet 用于高分辨率遥感图像的改进变化检测

    提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

    Jan, 2024

  • 从 W-Net 到 CDGAN：基于深度学习的双时相变化检测技术

    本文提出了一种基于深度学习的遥感图像变化检测方法，使用双支路的深度卷积神经网络用于特征提取和分类，通过在特征空间对两幅图像进行差异计算，利用生成对抗网络进行检测并构建一个大规模的数据集从而得到优于现有基线的高精度变化检测结果。

    Mar, 2020

  • DiffUCD: 基于语义相关扩散模型的非监督高光谱图像变化检测

    本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法，结合语义相关性扩散模型和交叉时序对比学习机制，利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明，该方法在准确性、kappa 系数和 F1 值等方面都优于最先进的无监督方法，同时可以跟需要大量注释样本的全监督方法达成可比较的结果。

    May, 2023

  • 去噪扩散自适应模型

    该论文介绍了一种名为 Denoising Diffusion Step-aware Models (DDSM) 的新型框架，通过使用一系列根据每个生成步骤重要性进行自适应调整的神经网络，以进化搜索的方式解决了生成过程中存在的整体网络计算的瓶颈问题，有效地提高了扩散模型的效率，并且可以与其他以效率为目标的扩散模型进行无缝集成，从而扩大了计算节约的范围，同时不影响生成质量。

    Oct, 2023

  • 评估去噪扩散概率模型在重现空间上下文方面的能力

    通过使用随机上下文模型（SCMs）产生训练数据，首次对 Denoising Diffusion Probabilistic Models（DDPMs）在医学成像领域相关信息学习能力进行了系统评估，结果表明 DDPMs 在生成具有空间上下文的图像方面具有显著的能力，可能在数据增强任务中具有 GANs 所不能达到的优势。

    Sep, 2023

  • SatDM：使用扩散模型进行语义布局调节的合成逼真卫星图像

    利用条件 DDPM 模型生成高质量、多样化和准确的卫星图像，以及改进噪声调度、自适应归一化和自注意机制，通过算法和人类意见研究验证其在数据增强等实际应用中的有效性。

    Sep, 2023

  • 跨模态音乐和图像生成的离散对比扩散

    通过提高输入与输出的互信息，利用条件离散对比扩散 (CDCD) 损失和两种对比扩散机制，将对比学习和传统变分目标相结合，我们成功地提高了多模式条件综合生成模型的输入输出对应性并取得了良好的结果。

    Jun, 2022

  • 医学图像生成的快速去噪扩散概率模型

    Fast-DDPM 是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用 10 个时间步进行训练和采样，相比 DDPM，Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了 5 倍，采样时间缩短了 100 倍。

    May, 2024

  • 扩散模型中的 SAR 图像合成

    通过使用特定类型的扩散模型（DDPM）在合成孔径雷达（SAR）领域实现有条件和无条件图像生成，本研究表明 DDPM 在质量上以及定性和定量效果上都优于现有的基于 GAN 的方法，并展示了预训练对于提高 SAR 图像生成质量的益处。

    May, 2024