基于先验引导的扩散模型用于定量相位成像中的细胞分割
本文中,我们提出了使用最近发展的去噪扩散生成模型建模的掩模先验来提高现有判别方法的语义分割质量。我们发现简单的集成扩散模型到语义分割中是不够的,并且一次差的扩散过程设计可能导致分割性能下降。我们通过多个实验表明,我们的方法在 ADE20K 和 Cityscapes 数据集上达到了较高的定量和定性性能。
Jun, 2023
使用文本到图像扩散模型,通过预先训练的模型进行像素级语义预测任务以解决领域差距,并通过确定性映射和低秩适应进行改善,得到对任意图像的准确估计,超过现有的最先进算法。
Nov, 2023
我们提出了一种名为 VerseDiff-UNet 的端到端框架,利用了去噪扩散概率模型(DDPM),并通过将噪声图像与标记的掩模相结合,准确地引导扩散方向朝向目标区域,从而实现准确和多样的脊椎医学图像分割模板。此外,我们还结合了形状先验模块来捕获医学图像中特定的解剖学先验信息。通过对 X 光成像获取的一组脊椎图像数据集进行评估,我们的结果表明,VerseDiff-UNet 在准确性方面明显优于其他最先进的方法,并且保留了解剖学的自然特征和变异。
Sep, 2023
基于扩散先验的盲目图像质量评估(DP-IQA)方法利用预训练扩散模型的先验知识,通过提取多级特征和解码来估计图像质量得分,实验结果表明我们的方法在各种自然图像数据集上取得了最先进的结果,并展示了我们方法在全局建模和利用扩散的层次特征线索评估图像质量方面的优越性。
May, 2024
通过模拟人类视觉系统的运作特征,引入一种创新的盲目图像质量评估度量,该度量通过构建主动推断模块和利用失真图像与主要内容之间的相互关系来提高低剂量计算机断层扫描感知图像质量评估的性能。
Oct, 2023
我们提出了准保拟共形交互分割(QIS)模型,该模型通过正负点击将用户输入融入分割过程,以准确地分割包含噪声或遮挡的图像,同时避免拓扑错误,并在合成、医学、自然和噪声自然图像上进行了有效性验证。
Feb, 2024
利用量化相位成像和人工智能技术结合的 PICS,可以提供高度特异性的未标记活细胞信息,并为长期无标签成像的生物应用提供了一种多功能定量技术。
Feb, 2020
本文介绍了一种基于深度学习的微观细胞图像语义分割,提出了针对数据量少的高效学习框架,并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明,与传统方法相比,提出的方法提高了 Dice 系数 (DSC)。
Apr, 2023