MIM-OOD: 针对医学图像中的离群检测的生成式遮罩图像建模

Jul, 2023

MIM-OOD: 针对医学图像中的离群检测的生成式遮罩图像建模

MIM-OOD: Generative Masked Image Modelling for Out-of-Distribution Detection in Medical Images

Sergio {Naval Marimont}, Vasilis Siomos, Giacomo Tarroni

TL;DR使用两个与任务相关的 Transformer，通过应用 MIM 模型来替代 AR 模型，实现对脑部 MRI 异常的快速检测和修复，明显优于 AR 模型，并获得近 25 倍的加速。

Abstract

Unsupervised Out-of-Distribution (OOD) detection consists in identifying anomalous regions in images leveraging only models trained on images of healthy anatomy. An established approach is to tokenize images and model the distribution of tokens with Auto-Regressive (AR) models. AR models are used to 1) identify anomalous tokens and 2) in-paint anomalous repr

unsupervised out-of-distribution detection auto-regressive models mim-ood brain mri anomalies speedup

发现论文，激发创造

重新思考外域（OOD）检测：掩模图像建模就是您所需的一切

本文提出利用基于重建的先验任务构建的模型，用于检测 OOD，并通过 Masked Image Modeling 预训练，取得了比先前 SOTA 更好的表现，包括单类 OOD 检测高出 5.7％，多类 OOD 检测高出 3.0％，近分布 OOD 检测高出 2.1％。

Feb, 2023

MOODv2：面罩图像建模用于超出分布检测

主要研究了有效的离域检测的关键是获取一个稳健的域内表示，与离域样本有所区别；通过对不同的预训练任务和离域得分函数进行全面分析，发现通过重构预训练的特征表示显著增强了性能，并缩小了各个得分函数之间的性能差距。

Jan, 2024

基于掩蔽下语义不匹配的 ODS 检测

本文提出了一种名为 MoodCat 的新型出界检测框架，该框架适用于图像分类器，并使用了一种生成模型来遮盖随机部分的输入图像，并将其合成为一张依据分类结果的新图像，然后计算原始图像和合成图像之间的语义差异以进行出界检测。实验结果表明，MoodCat 比其他现有的 OOD 检测方法具有更好的性能。

Jul, 2022

医疗表格数据中的超出分布检测基准

机器学习模型在现实世界的医疗系统中可靠地运用和避免在分布之外的数据上产生不准确的预测是非常重要的。该研究提出了一个全面的可复现基准测试，比较了不同方法在接近和远离分布之外的数据上的表现，特别关注医疗表格数据的处理。研究发现对于远离分布之外的数据，问题似乎已经解决，但对于接近分布之外的数据仍然存在挑战。此外，将后处理方法与基于距离的机制结合可以显著改善性能，而 Transformer 架构相对于 MLP 和 ResNet 架构来说更加保守。

Sep, 2023

MultiOOD：多模态下的扩展外分布检测

通过引入多模态 OOD（Out-of-Distribution）检测基准 MultiOOD，本研究评估了现有的单模态 OOD 检测算法，并提出了 Agree-to-Disagree（A2D）算法和 NP-Mix 异常值合成方法，通过利用多模态信息和探索更广泛的特征空间，显著提升了现有 OOD 检测算法的性能。

May, 2024

释放掩码：探索内在的外部分布检测能力

本文提出了一种新的方法 ——Unleashing Mask，该方法使用掩模找出受记忆的非典型样本，并通过微调或修剪模型来忘记它们，从而恢复所训练模型的 OOD 鉴别能力。

Jun, 2023

走向可靠的人工智能模型部署：多输入混合用于超出分布检测

我们提出了一种新颖且简单的方法，称为 Multiple Input Mixup（MIM），它可以通过单次 fine-tuning 改善 OOD 检测性能，而无需从头训练模型。我们的方法仅利用 ID 样本生成合成的 OOD 数据，且在 CIFAR10 和 CIFAR100 基准测试中展示出与 SOTA 方法相比更出色的性能，且不需要对特征向量进行额外计算。

Dec, 2023

基于直方图和扩散的医疗异常检测

基于直方图和扩散的方法相结合，该研究旨在通过对医学图像进行无监督异常检测，探索并提出后处理步骤以提高医学图像中异常检测的性能。

Oct, 2023

辅助扩散模型的异常想象

使用辅助离群数据集来规范机器学习模型为数据分布外（OOD）检测和安全预测提供了有希望的结果。本文提出了一个名为 DREAM-OOD 的新框架，能够通过扩散模型在像素空间中仅使用分布内（ID）数据和类别想象出逼真的异常值。与先前的工作不同，DREAM-OOD 能够在像素空间中直接可视化和理解想象的异常值，并展示通过 DREAM-OOD 生成的样本训练可以提高 OOD 检测性能。

Sep, 2023

医疗领域的离群样本检测基准测试

本文定义三类 Out-of-Distribution Detection 的示例，并在医学图像的三个领域中对常见的方法进行基准测试。结果表明，尽管这些方法对某些类别的 OOB 样本产生良好结果，但它们未能识别接近训练数据分布的图像，作者发现简单的二元分类器在特征表示上具有最佳的平均精度和 AUPRC。

Jul, 2020