关键词out-of-distribution images
搜索结果 - 5
- 用局部扩散解决图像翻译中的结构幻觉
通过局部超出分布区域划分和分离图像生成过程,本研究提出了一个无需训练的扩散模型,有效减少图像幻觉和误诊,减少真实世界医学和自然图像数据集中的误诊率分别达到 40% 和 25%,同时与各种预训练的扩散模型兼容。
- 基于 CLIP 的少样本异常检测中的异常合成
通过使用 CLIP-OS 方法,在少样本学习中的 OOD 检测中,提出了一种新颖的 patch 均匀卷积和适应性的 ID 相关信息提取方法,并结合合成的可靠 OOD 数据和未知感知的提示学习,实现了 ID 和 OOD 之间的有效区分,从而获 - 现代 GAN 模型的有趣特性
对现代生成对抗网络(GANs)的研究表明,其学习到的流形不符合训练分布,而且对超出分布的图片赋予更高密度,学到的潜在编码的先验与训练分布相去甚远,所用于训练 GANs 的图像集合通常不符合 GANs 的分布描述。
- 基于 StyleGAN2 的医学影像异常检测
利用生成对抗网络(GAN)检测处于训练分布之外的图像,该方法能够在 90% 以上的区分肝脏与非肝脏的情况下识别出分布之外的图像。
- ICLR神经网络中增强外部分布图像检测的可靠性
本文提出 ODIN 方法用于有效检测神经网络中的 OD 图像,通过温度缩放和对输入加入小扰动,使得在分数分布上能够划分出 OD 和非 OD 图像,从而在多种网络架构和数据集上实现了新的性能提升。