May, 2024

基于扩散模型的测试时间图像适应性用于鲁棒皮肤病变分类

PDF
TL;DR我们提出了一种测试时间图像适应方法，通过同时更新和预测测试图像来提高模型在测试数据上的准确性，通过扩散模型将目标测试图像反投影到源域，设计结构指导模块通过低通滤波添加细化操作，用于正则化扩散以保留结构信息，并引入自整合方案自动调整对适应和未适应输入的依赖关系，增强适应鲁棒性。在我们构建的 ISIC2019-C 和 Dermnet-C 损坏鲁棒性评估基准上进行的大量实验表明，我们的方法在各种损坏、体系结构和数据区域上使分类器更加鲁棒。我们的数据集和代码将在 https://github.com/minghu0830/Skin-TTA_Diffusion 上提供。
deep learning-based diagnostic systemsskin disease diagnosistest-time image adaptation methoddiffusion modelcorruption robustness evaluation benchmarks
发现论文，激发创造
  • 回到源头：扩散驱动的测试时适应

    该研究提出了一种基于扩散生成模型的测试时间自适应方法（DDA），该方法可在不重新训练模型的情况下通过对输入数据进行自适应来提高模型在移位目标数据上的准确性，并在 ImageNet-C 基准测试中展现了更加鲁棒的表现。

    Jul, 2022

  • Derm-T2IM: 使用稳定的扩散模型利用合成皮肤损伤数据，通过 ViT 和 CNN 提升皮肤疾病分类

    研究探讨了通过稳定扩散模型生成的皮肤镜合成数据的利用，作为增强机器学习模型训练鲁棒性的策略。实验结果表明，通过稳定扩散模型生成的合成数据有助于提高卷积神经网络和视觉转换器模型的鲁棒性和适应性，对于两个不同的真实世界皮肤病变数据集，其效果显著。

    Jan, 2024

  • 降低噪声：通过伪标签集成利用扩散模型进行测试时自适应

    利用预训练的扩散模型将目标领域图像投影到源领域，并通过伪标签集成迭代更新模型的方法，将模型适应和输入适应的优势相结合，从而减轻它们的缺点。在 CIFAR-10C 上的实验表明，我们的方法优于最强基线平均 1.7％，比最强的输入适应基线平均高出 18％。

    Nov, 2023

  • 通过视觉和文本提示增强皮肤镜病变分割的扩散模型

    应用扩散模型结合病灶特定的视觉和文本提示生成皮肤镜检测图像，相对于传统生成模型在图像质量和皮损分割性能上表现更优，SSIM 图像质量指标提高 9%，Dice 系数超过先前方法 5% 以上。

    Oct, 2023

  • 测试时间适应的高效扩散驱动腐败编辑器

    利用潜在扩散模型和新引入的损坏建模方案对传统的基于像素扩散的图像修复方案进行改进，从而提高图像修复的鲁棒性和实际性，加快运行速度，并在各种架构和数据集上得到了广泛验证。

    Mar, 2024

  • 减轻皮肤病变分类中域漂移的影响：基于显微镜图像的无监督域适应方法的基准研究

    深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的 AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤 - 痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

    Oct, 2023

  • 利用潜在引导扩散和嵌套集合提高医学图像分类的鲁棒性和可靠性

    通过转换器与条件扩散模型相结合的新方法，提高了深度学习模型在医学图像分析中对图像的稳健性，并增加了对临床实践的信任度。

    Oct, 2023

  • 通过扩散生成反馈测试时间调整鉴别模型

    通过使用扩散模型生成反馈，Diffusion-TTA 方法可以将预先训练的判别模型适应到测试集中的每个无标签示例，并通过反向传播梯度来最大化图像似然目标，从而显著提高各种大规模预训练判别模型的准确性。

    Nov, 2023

  • 鲁棒皮肤病变分析的测试时间选择

    通过利用人 - 机循环方法中的正（如病变区域）和负（如图像伪影）关键点，我们提出了一种名为 TTS（测试时选择）的方法，该方法可以在不重新训练的情况下有效地使模型避免利用伪影相关的关联，并具有较少的标注需求，从而解决了皮肤病变分析模型受到图像伪影的偏见影响的问题。我们展示了在 ISIC2019 数据集上的应用，演示了我们的模型是如何在现实世界中减轻偏见的。

    Aug, 2023

  • 基于导向的扩散模型的测试时适应

    这篇论文介绍了一种新的基于引导的扩散驱动自适应方法，通过引入详细和全局的引导信息以及考虑分类器的引导信息，解决了测试数据与源域之间的语义信息丢失和模型偏移问题，并在多个实验中取得了显著的改进。

    Dec, 2023