基于 GAN 的 CT 去噪的多尺度纹理损失
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
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
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
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
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
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
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
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