Aug, 2023

大规模无条件预训练的合成增强

PDF
TL;DR通过在大规模无标签数据集上预训练潜在扩散模型（LDM），我们提出了一种名为 HistoDiffusion 的合成增强方法，然后在未见过的有标签数据集上通过分类器引导在潜在空间中微调模型，以合成特定类别的图像，并采用选择性机制只添加与目标标签匹配度较高的合成样本，通过 HistoDiffusion 增强，使用少量原始标签，我们大幅提高了骨干分类器的分类准确率 6.4%。
发现论文，激发创造
  • 基于影像标注的潜在扩散模型用于增强组织病理学 AI 辅助癌症诊断

    人工智能基于图像分析在诊断组织病理学方面，尤其是癌症诊断方面具有巨大潜力。为了开发监督式人工智能方法，需要大规模的注释数据集。本研究提出了一种从自动提取的图像特征中构建结构化文本提示的方法。通过在提示中引入图像特征而不仅仅是正常和癌症标签，我们改善了 Fréchet Inception Distance (FID) 的性能，从 178.8 提升到 90.2。我们还表明，病理学家难以检测到合成图像，敏感性 / 特异性的中位数为 0.55/0.55。最后，我们展示了合成数据有效地训练人工智能模型。

    Dec, 2023

  • 从零开始使用基于扩散的数据增强来提升无监督对比学习

    通过扩散步骤，DiffAug 引入了一种新颖且高效的基于扩散的数据增强技术，以确保增强数据和原始数据在光滑的潜在空间中共享，从而通过无需标签、外部数据 / 模型或先前知识的约束来提高图像分类和聚类准确性，可适用于视觉和生物领域。

    Sep, 2023

  • 学习表示引导的扩散模型用于大规模图像生成

    该研究介绍了一种使用自我监督学习嵌入条件的扩散模型来生成高质量的病理学和卫星图像的方法。通过从自我监督学习表示中提取嵌入，可以生成大型图像，并通过生成变化的真实图像加强下游分类器的准确性。此方法在训练过程中表现出鲁棒性和普遍性，对于不同数据集的图像生成同样有效。

    Dec, 2023

  • 基于扩散的核细胞图像分割数据增强

    本文介绍了一种基于扩散的核分割增强方法，通过合成大量标记图像，以提高分割模型的性能。实验结果表明，通过将 10％的真实标记数据集与合成样本相结合，可以实现与完全监督基准相媲美的分割结果。

    Oct, 2023

  • 利用潜在扩散模型的合成数据增强医疗图像分类器

    利用潜在扩散模型生成皮肤病图像的研究表明，通过合成数据训练模型可以在数据有限的情况下提高性能，但合成数据与真实数据相比仍然有较小的性能增益，因此收集多样的真实数据仍是提升医疗人工智能算法的重要步骤。

    Aug, 2023

  • 扩散模型在有效数据增强中的应用

    通过使用图像转图像的方法、以及预训练的文本到图像扩散模型将其参数化，解决了数据扩增过程中具有高级语义标注的动物种类等属性缺乏多样性的问题，并在少样本情境和杂草识别任务中得到实际应用。

    Feb, 2023

  • Derm-T2IM: 使用稳定的扩散模型利用合成皮肤损伤数据，通过 ViT 和 CNN 提升皮肤疾病分类

    研究探讨了通过稳定扩散模型生成的皮肤镜合成数据的利用，作为增强机器学习模型训练鲁棒性的策略。实验结果表明，通过稳定扩散模型生成的合成数据有助于提高卷积神经网络和视觉转换器模型的鲁棒性和适应性，对于两个不同的真实世界皮肤病变数据集，其效果显著。

    Jan, 2024

  • 利用潜在引导扩散和嵌套集合提高医学图像分类的鲁棒性和可靠性

    通过转换器与条件扩散模型相结合的新方法，提高了深度学习模型在医学图像分析中对图像的稳健性，并增加了对临床实践的信任度。

    Oct, 2023

  • 面罩条件下使用潜在扩散生成胃肠息肉图像

    为了解决医学领域数据难以获取的问题，本文提出了一种有条件的扩散概率模型（DPM）框架来生成合成的肠道息肉图像以及合成数据在二进制图像分割模型训练中的应用。研究结果表明，合成数据可以有效地帮助提高模型准确性。

    Apr, 2023

  • 用于半监督组织病理学分割的样式提取扩散模型

    提出了基于风格提取的扩散模型，通过风格调控机制生成具有未见过风格的图像，并将其用于布局分割等下游任务中。在自然图像和组织病理学领域的实验中，验证了该方法的多样性和生成图像对性能影响的改进。

    Mar, 2024