通过引入一种名为受控扩散的新方法,该研究论文提出了一种解决图像级标签训练弱监督语义分割模型的问题的框架,它通过可控的扩散生成多样化的图像来增强现有的标记数据集,并提出了一种高质量的图像选择策略来减少扩散模型的随机性引入的潜在噪声。实验证明了该方法在有限的可用数据量下优于现有的最先进方法。
Oct, 2023
条件分布建模 (CDM) 是一种有效利用扩散模型进行少样本图像生成的框架,通过对用于条件化扩散过程的潜空间分布进行建模,CDM 利用训练数据的学习统计信息更好地近似未见类别的分布,从而消除因少样本样本数目限制而引起的偏见,同时我们还设计了一种新颖的基于反演的优化策略,进一步改进了近似的未见类别分布,确保生成样本与未见类别的准确性。我们在四个基准数据集上的实验结果表明了我们提出的 CDM 在少样本生成中的有效性。
Apr, 2024
本研究提出了一种基于条件得分的生成建模框架,用于医学图像分割,该框架依赖于分割掩模的参数化表面表示。实验结果表明,与其他常用的图像分割模型相比,我们的模型在分割准确度方面表现出色,并且由于其生成性质,还能够估计分割的不确定性以进行进一步的分析。
Dec, 2023
本研究侧重于使用扩散模型进行半监督图像分割,特别是针对领域泛化问题,结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性,通过利用信息密集的小步骤和较大步骤的正则化效果生成预测,该模型在领域变化设置中表现出明显较好的性能且在领域内保持有竞争力的性能,突显了 DDPM 在半监督医学图像分割中的潜力并提供了优化其在领域变化下性能的见解。
Nov, 2023
连续条件生成建模(CCGM)是一种基于标量连续变量(称为回归标签)的高维数据(通常为图像)的分布估计方法。现有的条件扩散模型(CDMs)在应用于 CCGM 任务时面临着多种挑战,本文介绍了第一种专为 CCGM 任务设计的连续条件扩散模型(CCDMs),通过引入特别设计的条件扩散过程、修改的去噪 U-Net 与自定义的条件机制、新型的硬邻近损失以及高效的条件采样过程,CCDMs 克服了现有 CDMs 的限制,基于四个不同分辨率(从 64x64 到 192x192)的数据集进行的全面实验证明了 CCDMs 相对于最先进的 CCGM 模型的优越性,建立了 CCGM 领域的新基准。广泛的消融研究验证了提出的 CCDM 的模型设计和实施配置。我们的代码公开在此 https URL。
May, 2024
该论文介绍了 Med-DDPM,这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案,解决了医学成像中的普遍问题,如数据稀缺、不一致的采集方法和隐私问题。
May, 2023
提出了一种鲁棒的条件扩散模型,用于语义图像合成,通过标签扩散处理噪声标签,同时引入类别权重的噪声时间表来增强鲁棒性。在实验中证明了该方法在生成高质量样本方面的有效性,并模拟了现实应用中的人类错误情况。
Feb, 2024
通过弱监督方法生成病变图片的健康版本,并利用此图像生成像素级异常地图,以提升放射科医生的训练文件和分割模型的可解释性。
Aug, 2023
DiffSeg 基于扩散差异原理,利用扩散模型从具有多样的语义信息的图像中提取基于噪声的特征,识别出疾病区域,同时通过模拟医生的注释行为,可视化分割结果的一致性和模糊性,并使用广义能量距离(GED)量化输出不确定性,帮助医生解释和决策。最后,通过密集条件随机场(DenseCRF)算法整合输出,考虑像素之间的相关性,改善准确度并优化分割结果。我们在 ISIC 2018 Challenge 数据集中展示了 DiffSeg 的有效性,优于现有基于 U-Net 的方法。
该研究提出了一种利用扩散模型和随机采样方法生成多个可行的医学图像分割结果的方法,这种方法应用于 CT、超声波和 MRI 图像时,不仅能够提高分割准确度而且能够捕捉自然变异,同时还提出了一种度量分割结果多样性的新指标。
Apr, 2023