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
利用扩散模型的重构误差作为无监督的遥感图像越界检测器,引入了一种新型重构得分器 ODEED,并在类地理偏移和近越界设置下,在 SpaceNet 8 上进行了实验验证。结果表明,ODEED 得分器在洪水图像检测等更具挑战性的近越界场景中明显优于其他基于扩散和判别的基准,为利用生成模型进行遥感异常检测铺平了道路。
Apr, 2024
我们提出了一种基于去噪扩散内隐模型的弱监督异常检测方法,结合分类器指导进行病态和健康主体之间的图像翻译,生成非常详细的异常地图,无需复杂的训练过程。
Mar, 2022
文章介绍了利用常微分方程模拟动态系统行为、将生成的数据增强用于训练数据,从而实现对时间序列中异常检测的更好识别。
May, 2016
医学成像中的异常检测是一项具有挑战性的任务,可以通过无监督异常检测方法解决,该方法通过识别与正常基准模型不匹配的特征。该论文探讨了使用混合概率分布作为替代方法,以在准确性与计算需求之间取得最优化平衡,并且介绍了一个在线方法来解决大数据量下的内存使用问题,并以帕金森病患者脑部扫描的异常检测为例进行了验证。
Sep, 2023
该研究论文旨在建立一个统一实施和比较的基准,对医学领域的七个包括胸部 X 射线、脑部磁共振、视网膜底像、皮肤镜像和组织病理全切片图像在内的医学数据集进行广泛评估,并比较了二十七种典型的异常检测方法,首次对现有方法中的关键组件进行了正式探索,明确了未解决的挑战和潜在的未来方向。
扩展前述的隐式条件方法,我们提出了一种新的框架,通过动态步长计算、无噪声缩放输入和潜在空间投影的方式增强了扩散模型的能力,有效地定位异常并在两个著名异常检测数据集上取得了最先进的性能。
Jan, 2024
本研究提出了一种扩散模型来检测高频率数据中的快速异常,该模型不需要任何运动组件,优于其他基准方法,可用于卫星数据分析中。
May, 2023
利用扩散模型的生成能力和 CLIP 的强大特征提取能力,我们提出了一种新颖的 OOD 检测方法,通过使用这些特征作为扩散模型的条件输入,我们可以在使用 CLIP 进行编码后重建图像。原始图像与重建图像之间的差异被用作 OOD 识别的信号,我们的方法不需要类别特定的标记,提高了实用性和可扩展性,且经过多个基准数据集的广泛实验证明了我们方法的鲁棒性和有效性。
Jun, 2024
通过使用 Expected Performance Drop (EPD) 作为新问题设计的核心贡献,我们重新定义了医学图像分割中的异常检测问题,该方法在 11 个 CT 和 MRI OOD 检测挑战中展示了其有效性。
Aug, 2023