生成式数据增强提升基于草稿的语义分割
本文技术为使用生成模型并结合任务驱动数据增强方法,显式地建模变形场和强化蒙版,用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据,实验结果表明该方法在小样本数据的分割任务中表现优异。
Feb, 2019
通过利用文本到图像生成模型 Stable Diffusion (SD) 的文本提示、交叉注意力和自我注意力,我们引入了三种新技术:类别提示附加,类别提示交叉注意力和自我注意力指数化,从而生成与合成图像相对应的分割地图,这些地图可以作为训练语义分割器的伪标签,消除了对像素级注释的繁重需求,我们还在 PASCAL VOC 和 MSCOCO 两个数据集上进行了评估,我们的方法明显优于同行的工作。
Sep, 2023
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
应用扩散模型结合病灶特定的视觉和文本提示生成皮肤镜检测图像,相对于传统生成模型在图像质量和皮损分割性能上表现更优,SSIM 图像质量指标提高 9%,Dice 系数超过先前方法 5% 以上。
Oct, 2023
本文研究了利用生成模型如 GANs 构建的合成影像,其在大脑肿瘤分割任务上与真实影像训练的性能差异,发现实验结果在一定数据量下合成影像可以很好地训练神经网络,而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。
Jun, 2023
本研究使用经典方法和现代隐式生成模型对神经影像数据集进行了合成增广,能够 “改善预测 fMRI 模型的质量”,并且在预测认知和行为结果方面得到了较好的性能提升。
Jul, 2019
当前的感知模型依赖于资源密集型的数据集,因此需要创新性的解决方案。通过利用扩散模型和合成数据,通过从各种注释中构建图像输入,有助于下游任务。DetDiffusion 首次统一了生成模型和感知模型,解决了为感知模型生成有效数据的挑战。为了增强感知模型的图像生成能力,我们引入了感知感知损失(P.A. 损失),通过分割改善图像的质量和可控性。为了提高特定感知模型的性能,我们的方法在生成过程中提取和利用感知感知属性(P.A. 属性)进行自定义数据增强。目标检测任务的实验结果突出了 DetDiffusion 卓越的性能,在布局引导生成方面建立了新的最先进技术水平。此外,DetDiffusion 生成的图像合成能够有效增强训练数据,显著提高下游检测性能。
Mar, 2024
我们在地球观测任务中研究使用生成图像扩散来解决标注数据稀缺的问题,并发现生成的样本在提高卫星语义分割的定量性能方面取得了显著的改进。
Mar, 2024
数据增强在训练深度模型中至关重要,防止其对有限数据过拟合。常见的数据增强方法虽然有效,但最近生成式人工智能的进展,如用于图像生成的扩散模型,使得更复杂的增强技术成为可能,能够生成类似于自然图像的数据。我们引入了 GeNIe,它利用一个以文本提示为条件的扩散模型,将对比的数据点(源类别的图像和目标类别的文本提示)合并起来生成对目标类别具有挑战性的样本。受到最近图像编辑方法的启发,我们限制扩散迭代次数和噪声量。这确保生成的图像保留源图像的低级和上下文特征,可能与目标类别产生冲突。我们的大量实验证明了我们的新型增强方法的有效性,尤其对于只有有限样本的类别有益。
Dec, 2023