Dec, 2023

$μ$GUIDE: 通用不确定性驱动推断的深度学习映像微结构框架

PDF
TL;DR用新的深度学习框架和高效的后验分布采样，提出了一个通用的贝叶斯框架 μGUIDE，用于从任何给定的生物物理模型或 MRI 信号表示中估计组织微结构参数的后验分布，以弥补传统贝叶斯方法的高计算和时间成本。
bayesian frameworktissue microstructure parametersmrideep learning architectureposterior distributions
发现论文，激发创造
  • Dreamguider：改进的无需训练扩散式条件生成

    Dreamguider 是一个无需通过扩散网络进行计算密集型反向传播的推理时引导方法，通过调节渐变流量和引入经验引导尺度来解决了线性和非线性引导问题，并提出了有效的轻量级增强策略。

    Jun, 2024

  • 基于双层引导扩散模型的零样本医学成像逆问题

    通过双层引导策略有效地引导初始无条件预测，并通过外层近端优化目标加强测量一致性，BGDM 相对于基线方法在生成高保真医学图像方面更加有效和高效，显著减少了严重退化情况下的幻觉性伪影。

    Apr, 2024

  • 自导扩散模型

    本文介绍了一种自导扩散模型的方法，它可以利用自我监督信号来提供图像生成的指导，而无需大量的图像注释对。通过结合特征提取功能和自注释功能，我们的方法可以为各种图像颗粒度提供指导信号，从整体图像到对象框甚至分割掩模。我们的实验表明，我们的方法在单标签和多标签图像数据集上总是优于无指导的扩散模型，甚至可能超过基于基础真实标签的指导，特别是在不平衡数据上。

    Oct, 2022

  • 使用生成模型进行不确定性量化

    本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

    Oct, 2019

  • 基于拖曳引导的车辆图像生成扩散模型

    本文提出了基于物理学的指导，通过优化预测模型的性能指标来生成图像，并在 Stable Diffusion 中添加了阻力引导，以生成具有最小预测阻力系数的新型车辆图像。

    Jun, 2023

  • MedM2G：通过视觉不变性的交叉引导扩散实现医学多模态生成的统一

    MedM2G 是一个医疗多模态生成框架，通过统一的模型实现医疗多模态对齐、提取和生成，以及在医疗诊断中提升特定医疗信息和灵活的多模态交互，成功完成了文本到图像、图像到文本和医学模态的统一生成任务，并在 10 个数据集上持续领先于各种最先进的方法。

    Mar, 2024

  • 基于模型引导的多对比度深层展开网络用于 MRI 超分辨率重构

    本文提出了一种新的模型引导的可解释深层展开网络 (MGDUN) 用于医学图像超分辨重建，该方法解决了现有超分辨率重建网络的黑匣子缺陷和单一对比度或简单多对比度融合机制的问题通过，通过手动设计的目标函数重建高分辨率 MRI，实验证明该方法在 IXI 数据集和 BraTs 2019 数据集上具有优越性。

    Sep, 2022

  • 扩散自导式可控图片生成

    本篇研究介绍了 self-guidance 这一新方法，通过指导扩散模型的内部表示，提供了对生成图像更强的控制力，可以从这些表示中提取对象的形状、位置和外观等属性，并使用它们来控制生成的采样，这种方法类似于分类器引导，但是不需要额外的模型或训练，作者演示了如何使用这种方法进行复杂的图像操作，如修改对象的位置或大小，合并图像中对象的外观和布局等，并证明了 self-guidance 还可以用于编辑真实图像。

    Jun, 2023

  • 基于物理学的加速扩散加权 MRI 推断骨骼肌微结构

    提出了一种基于物理和机器学习的框架，采用扩散加权 MRI 对骨骼肌进行非侵入性评估，从而准确地估计微结构组织。该算法可用于评估骨骼肌健康和功能，有望成为一种有前途的非侵入性工具。

    Jun, 2023

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024