May, 2024

训练医学图像生成对抗网络的提前停止准则

PDF
TL;DR本研究提出了一种新颖的早停准则，通过定量检测训练问题来减少 GAN 的计算成本，生成多样化和高质量的生物医学图像。
generative adversarial networkscomputational costsearly stopping criteriatraining problemsbiomedical imagery
发现论文，激发创造
  • FIANCEE: 基于条件提前退出的对抗网络快速推断

    本文提出了一种利用早期退出支路来降低计算量的方法，并在两种最先进的生成任务模型上应用，即从语义映射中生成和面部表情的交叉重演，可以输出具有自定义较低质量阈值的图像，尤其适用于实时应用场景。

    Apr, 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

  • 使用有限数据训练生成对抗网络

    本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

    Jun, 2020

  • 用于解决基于 GAN 的 X 射线图像中模式崩溃问题的自适应输入图像归一化

    通过研究不同类型的模式崩溃问题和它们对合成 X 射线图像的多样性的影响，本文探讨了将自适应输入图像归一化与深度卷积 GAN 和辅助分类 GAN 相结合以减轻模式崩溃问题的好处。通过将合成图像用于数据增强和训练视觉转换模型，使用准确度、召回率和精确度等指标评估模型的分类性能。结果表明，使用自适应输入图像归一化的 DCGAN 和 ACGAN 优于使用未归一化的 X 射线图像的 DCGAN 和 ACGAN，这体现在更好的多样性指标和分类指标上。

    Sep, 2023

  • 评估生物医学和非生物医学环境中合成图像的类内多样性和质量

    该研究通过实证评估了多尺度结构相似性指数测量、余弦距离和 Frechet Inception 距离等指标，对生物医学和非生物医学影像进行了多样性和质量评估，发现生物医学与非生物医学影像之间的多样性和质量得分存在显著差异。

    Jul, 2023

  • 基于生成对抗网络增强数据的偏差量化的系统研究

    研究通过对一系列先进的度量方法进行评估，解决生成对抗网络（GANs）的数据增强技术中出现的模式崩溃和偏见加剧问题。

    Aug, 2023

  • 质量感知生成对抗网络

    本文介绍了基于 GAN 的问题并提出了相应解决方案，使用了基于图片质量的评价算法 SSIM 和 NIQE 作为 GAN 正则化的指标，并提出了新的模型 WGAN-GP，在 CIFAR-10，STL10 和 CelebA 数据集上取得了最优性能。

    Nov, 2019

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 医学图像的生成对抗网络 (MI-GAN)

    本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

    Oct, 2018

  • 生成对抗网络集成用于合成训练数据生成

    本文研究了在医学影像方面采用生成对抗网络（GANs）合成图像作为深度学习的训练数据来替代难以获取的真实数据集的可行性，同时探讨使用多个 GANs 以提高生成数据的差异性在数码病理学方面的应用。

    Apr, 2021