Jul, 2024

非对抗学习：多序列 MRI 的量化共同潜在空间

PDF
TL;DR使用中间序列估计多序列 MRI 之间的共同潜空间，我们的非对抗模型在 BraTS2021 数据集中表现优于其他基于 GAN 的方法，VQC 潜空间可以实现 (1) 抗干扰能力，可消除噪声、偏差和伪影的影响，以及 (2) 坚实的语义表示能力，具备一次性分割的潜力。
adversarial learningmri synthesiscommon latent spacevqc latent spacebrats2021 dataset
发现论文，激发创造
  • 使用学习先验的无对抗视频合成

    研究使用非对抗性学习方法，通过联合优化隐变量空间、递归神经网络的权重和生成器，从隐变量向量中生成高质量视频。

    Mar, 2020

  • 具有双向先验模型的矢量量化时间序列生成

    提出了一种名为 TimeVQVAE 的新模型，它使用矢量量化技术解决时间序列生成（TSG）问题，通过在时频域中分离出低频和高频来保留时间序列的重要特征，并使用双向转换模型学习离散潜在空间的先验知识，使其具有更好的全局时间一致性和更好的质量。

    Mar, 2023

  • 广义对抗学习推断

    通过将 self-supervised feedback 引入到 GANs 的训练中，匹配多个随机变量元组的联合分布，以获得超出现有方法的更高应用性。

    Jun, 2020

  • 使用生成对抗网络的任务感知压缩感知

    使用对抗生成网络（GANs）代替稀疏约束来构建结构，针对重建任务进行任务感知型训练，并证明可以不使用（或少量使用）非压缩数据训练模型，最后展示 GAN 的潜空间携带有判别信息，并可进一步规范化以生成用于一般推断任务的输入特征，通过对多种重构和分类问题的实验验证方法的有效性。

    Feb, 2018

  • 使用向量量化生成对抗网络在磁共振成像中生成 3D 脑肿瘤区域

    提出了一种使用矢量量化生成对抗网络和转换器的方法来生成高分辨率、多样化的三维脑肿瘤感兴趣区域（ROI），作为用于诊断罕见脑肿瘤的 MRI 扫描的辅助数据，实验证明该方法在平衡数据和提高分类性能方面的有效性。

    Oct, 2023

  • 生成对抗网络的潜空间的语义分解

    本研究提出一种新的算法用于训练生成式对抗网络，并联合学习身份（例如个人）和观察（例如具体照片）的潜在代码。我们使用成对的训练模式，可生成多样的相同主题图像，并保持灯光和姿势等相关方面的特征，进而提高图像的真实感。结果表明，基于 Siamese 辨别器进行的训练能够生成逼真的与身份相符的照片。

    May, 2017

  • 用潜在量化实现解缠

    通过强化模型正则化并将潜空间量化为可学习的离散代码，本文提出一种面向组成性编码和解码的概念偏置，从而在许多基准数据集上显著改善了学习表示的模块化和明确性。

    May, 2023

  • 生成模型的自适应密度估计

    该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

    Jan, 2019

  • 利用语义耦合的 VQ 模型进行语义图像合成

    通过与向量量化模型预训练的条件式合成潜空间，联合学习条件潜空间和图像潜空间，进一步提高自回归模型的建模能力，并在多个图像数据集上验证其能有效改进语义图像合成性能。

    Sep, 2022

  • 对抗特征学习

    通过设计 BiGANs 模型实现 GANs 的逆向学习与无监督特征学习以及其在辅助监督鉴别任务中的有效性。

    May, 2016