Apr, 2024

使用风格迁移减轻 fMRI 结果中的分析变异

PDF
TL;DR通过使用不同的生成模型，包括扩散模型（DM），将不同功能性磁共振成像（fMRI）管道生成的统计图转换，我们提出了一种新的方法来提高神经影像学结果的可重复性。利用 DM 和无监督的多域图像之间的转换框架，我们通过一个辅助分类器的潜在空间来限制生成的 3D fMRI 统计图，并扩展传统的采样技术来改善转换性能。我们的实验证明了我们提出的方法的成功性：管道确实可以转换，为未来的医学研究提供了重要的数据增强来源。
发现论文，激发创造
  • 音乐风格转换的扩散模型

    本研究提出了一种基于扩散模型和基于频谱图的方法实现多对多音乐风格转换，使用 GuideDiff 方法还原频谱图以提高音频质量和生成速度，在消费级 GPU 上能实时生成高质量音频。

    Apr, 2024

  • 运用时空方法改进动态增强 MRI 的风格转移

    在 DCE-MRI 中进行风格转换是一项具有挑战性的任务，由于不同组织和时间中对比度增强的大幅变化。本文提出了一种新方法，该方法结合了自编码器来解开内容和风格，并使用卷积 LSTMs 对时间中的预测潜空间进行建模，并使用自适应卷积来应对对比度增强的局部性质。通过提出一个考虑对比度增强的新度量方法来评估我们的方法，定性和定量分析表明所提出的方法在两个不同数据集上优于现有技术水平。

    Oct, 2023

  • 利用扩散模型进行即时样式迁移的学习：一种语义引导方法

    我们提出了一种基于扩散模型的即时人体运动风格转移学习方法，通过几分钟的微调学习，可以将未知的风格转移到不同的内容运动中，且仅需要一个风格示例和以中立运动为主的文本到运动数据集（例如 HumanML3D）。

    Mar, 2024

  • MindDiffuser：基于语义和结构扩散的人脑活动控制图像重建

    本文提出了一种名为 MindDiffuser 的两阶段图像重构模型，利用了稳定扩散技术，成功地同时实现了语义和结构信息的重构，并在自然场景数据集方面的重建结果超过了当前最先进模型。

    Mar, 2023

  • Style-NeRF2NeRF: 从样式对齐的多视图图像中进行三维样式转移

    通过使用 2D 图像扩散模型来改良 3D 场景，我们提出了一种简单但有效的流程；通过细化源 NeRF 模型以及使用风格化图像生成的样式对齐的图像扩散模型，实现 3D 风格转移。

    Jun, 2024

  • 领域特定的生成对抗风格迁移映射

    本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间，以提高图像的编码质量和风格传递的效果。实验证明，与以往的图像风格转换方法相比，所提出的方法在需要图像间语义对应的复杂场景中表现得更好。

    Aug, 2020

  • Brain-Diffuser: 使用生成潜在扩散从 fMRI 信号中重建自然场景

    利用神经解码技术和新型图像生成的巨大进展，我们提出了一个两阶段场景重建框架（Brain-Diffuser），它能够从 fMRI 信号中推断出场景的低级特征和整体布局，随后通过潜在扩散模型生成最终重建的图像。该方法在公开数据集基准测试中表现出色，在应用（例如脑机接口）和基础神经科学方面都有深远的影响。

    Mar, 2023

  • 针对风格化行走合成的去噪扩散概率模型

    本文提出了一种使用去噪扩散概率模型（DDPM）生成风格化人体运动的框架，将两个任务集成到一个管道中，与传统运动合成方法相比，具有更高的风格多样性，实验结果表明，该系统可以生成高质量且多样化的行走动作。

    Sep, 2022

  • FMRI 数据增强合成

    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

  • 基于限制扩散生成的可扩展动作风格迁移

    通过在训练阶段保持域的独立性，我们通过在向后扩散中施加偏向采样，从而构造了源域关键帧生成的偏置，并将其应用为内容约束的梯度，以实现关键帧流形约束梯度（KMCGs）的框架，我们的验证结果表明，训练单独的模型在多达十种舞蹈动作风格之间进行转换，相比基线和消融的基于扩散的风格转换模型，在保留动作内容方面取得了显著的改进。此外，我们进行了主观评估的人类研究，以评估生成的舞蹈动作的质量，结果验证了 KMCGs 的竞争力。

    Dec, 2023