Mar, 2024

基于 DDPM 的变化检测的特征操作

PDF
TL;DR拟议了两种方法：Feature Attention 和 FDAF，将从扩散模型中提取的特征图进行语义上有用的操作；在 LEVIR-CD 数据集上，使用 Feature Attention 的模型获得了 F1 值（90.18）和 IoU 值（83.86）的最新成绩。
change detectiondiffusion modelfeature mapfeature attentionfdaf
发现论文，激发创造
  • 基于差分特征引导 DDPM 的变化检测图生成的变化传播

    本研究提出了基于 DDPM 的 change-aware diffusion model (CADM) 模型，使用有限的标注数据快速训练，采用动态差分条件编码来增强 bitemporal change detection 任务中的区域注意力，实验结果表明相对于现有模型表现显著更优，充分说明了该模型的泛化性和有效性。

    Jun, 2023

  • 条件扩散模型用于语义化 3D 医学影像合成

    该论文介绍了 Med-DDPM，这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了医学成像中的普遍问题，如数据稀缺、不一致的采集方法和隐私问题。

    May, 2023

  • 如何将变化检测简化为语义分割

    本文中，我们提出了一种新的思路，将变化检测降低到语义分割的级别，通过一个新模块 MTF 提取变化信息和融合时间特征，并利用主流语义分割技术解决变化检测中的一般分割问题。最后，我们提出了 C-3PO 网络，可以在像素级别上检测变化并取得最先进的性能。

    Jun, 2022

  • 脑图像的反事实生成和异常检测的扩散模型

    通过弱监督方法生成病变图片的健康版本，并利用此图像生成像素级异常地图，以提升放射科医生的训练文件和分割模型的可解释性。

    Aug, 2023

  • 基于差异的脑 MRI 病变检测扩散模型

    本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验，证明了我们方法与当前方法相比的良好性能。

    May, 2024

  • 寻找变革？掷骰子并要求关注

    本研究提出了一种新的基于深度学习的遥感语义变化检测方法，使用新的注重视觉任务的注意力模块和新的损失函数，实现了优秀的检测性能，达到了行业最高水平。

    Sep, 2020

  • 基于变化感知的 Transformer 模型：学习广义变化表示

    学习差异特征空间中各种变化的广义表示，提出了一种新颖的具有改善差异特征的 Changes-Aware Transformer (CAT)。CAT 通过堆叠的余弦交叉注意力层和自注意力层有效地完成了这一改进过程，进而使差异特征空间中的变化像素更接近，从而有利于变化检测。

    Sep, 2023

  • PFB-Diff: 文本驱动的图像编辑中的渐进式特征融合扩散

    提出了一种基于 PFB-Diff 的渐进式特征融合方法，可以有效地解决各种图像编辑任务，包括对象 / 背景替换和对象属性编辑，无需微调或训练，并展示了其在图像保真度，编辑准确性、效率和对原始图像信实性方面的优越性。

    Jun, 2023

  • Siamese Meets Diffusion Network: SMDNet 用于高分辨率遥感图像的改进变化检测

    提出了一种新的网络模型，使用深度学习进行遥感图像变化检测，该模型结合了 Siam-U2Net 特征差分编码器（SU-FDE）和去噪扩散隐式模型，改善了图像边缘变化检测的准确性，并增强了模型对环境变化的鲁棒性。

    Jan, 2024

  • DiffUCD: 基于语义相关扩散模型的非监督高光谱图像变化检测

    本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法，结合语义相关性扩散模型和交叉时序对比学习机制，利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明，该方法在准确性、kappa 系数和 F1 值等方面都优于最先进的无监督方法，同时可以跟需要大量注释样本的全监督方法达成可比较的结果。

    May, 2023