Mar, 2024

基于 GAN 的 CT 去噪的多尺度纹理损失

PDF
TL;DR本研究提出了一种利用 GLCM 的多尺度特征和可微分 GLCM 的损失函数，并引入了自注意力层，以提高基于 GANs 的低剂量 CT 去噪算法的性能。实验结果表明，该方法相比其他损失函数表现更好，且结果在三种不同 GAN 架构下保持一致。
发现论文，激发创造
  • 面向结构的多尺度深度神经网络用于低剂量 CT 去噪

    本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

    May, 2018

  • 纹理匹配 GAN 用于 CT 图像增强

    我们提出了一种纹理匹配生成对抗网络 (TMGAN)，它在增强 CT 图像的同时生成可以与目标纹理匹配的图像纹理，从而改善了图像质量并适用于临床应用。

    Dec, 2023

  • 基于遗传算法的生成对抗网络损失函数及其在医学应用中的重点研究

    GANetic loss 通过优化问题解决了 GAN 中的有效损失函数设计，成功提升了生成模型的稳定性和性能，并在图像生成和异常检测等应用中表现出色。

    Jun, 2024

  • 基于 MIM-GAN 的多元时间序列数据异常检测

    基于信息重要性度量的生成对抗网络的多时间序列异常检测算法具有优越的准确率、召回率和 F1 分数。

    Oct, 2023

  • 自注意力引导的多尺度梯度 GAN 用于多样化 X 射线图像合成

    提出了一种名为 MSG-SAGAN 的多尺度梯度生成式对抗网络结构，用于解决不平衡的生物医学图像数据集生成多样化高质量的 X 光影像。通过使用多尺度渐变和注意力机制来改善生成器和鉴别器模型中生物医学图像特征的长程依赖之间的关系，以减少模式崩溃和稳定 GAN 的训练。与多尺度梯度 GAN (MSG-GAN) 相比，结果表明 MSG-SAGAN 在合成多样化的图像方面表现更好。

    Oct, 2022

  • SegAN: 医学图像分割的多尺度 L1 损失对抗网络

    本研究提出了一种名为 SegAN 的端到端对抗神经网络，用于医学图像分割任务，它通过采用全卷积神经网络作为段分割器、提出一种新的对抗批判者网络，并使用多尺度 L1 损失函数来强制批判者和分割器学习全局和局部特征，从而实现更稳定、更有效的分割。在使用来自 MICCAI BRATS 脑肿瘤分割挑战的数据集进行测试后，表明 SegAN 具有优异的性能。

    Jun, 2017

  • 为了正确的收益选择恰当的损失函数：使用分布敏感的损失函数改善深度文本到图像生成的语义一致性

    使用对比学习方法和两个损失函数（fake-to-fake 和 fake-to-real）来提高文本到图像合成任务中生成图像的语义一致性和精细细节，实验结果在 CUB 数据集上的 AttnGAN 模型和 COCO 数据集上的 Lafite 模型上优于现有方法。

    Dec, 2023

  • 生成网络的潜空间优化

    本文介绍了生成对抗网络的成功因素，并提出 “生成潜在优化” 框架来训练深度卷积生成器，实现了可视化合成、样本插值等功能，同时不需要对抗优化方案。

    Jul, 2017

  • MSG-GAN: 生成对抗网络的多尺度梯度

    该研究提出了一种名为 Multi-Scale Gradient Generative Adversarial Network (MSG-GAN) 的技术，通过在多个尺度上允许梯度从鉴别器传递到生成器来解决 GAN 在不同的数据集上适应性差的问题，并取得了比现有的技术更好的性能，在高分辨率图像合成方面有着广泛的应用。

    Mar, 2019

  • 用去噪漂移 GAN 解决生成学习三难问题

    本文提出了一种基于多模式条件 GAN，使其具有高样本质量、高模式覆盖和快速采样三个特性的去噪扩散生成对抗网络，同时在 CIFAR-10 数据集上比原扩散模型快 2000 倍，并且是第一种将采样成本降至足够低以便于应用于实际应用的模型。

    Dec, 2021