- 全心循环内左心房运动变形的评估
通过高分辨率 3D Cine MR 图像,我们提出了全面的技术工作流程,设计了 4D 注册建模以自动分析左心房的运动。利用分割网络和 4D 注册过程精确地描绘了整个心动周期中左心房的分割,并利用图像 4D 注册网络提取左心房位移矢量场。我们 - 地区风格和颜色转移
该论文提出了一种新颖的区域风格转换方法,通过利用分割网络精确地分离输入图像中的前景对象,并将风格转换应用于背景区域,再将分离的前景对象与转换后的背景巧妙地合并,使用颜色转换和羽化技术增强前景和背景之间的视觉一致性,从而实现了更自然的风格转换 - 基于保边概率下采样的高效精确 CT 分割
通过引入一种名为 Edge-preserving Probabilistic Downsampling (EPD) 的新方法,该方法利用局部窗口中的类别不确定性产生软标签,以低分辨率实现网络生成高质量预测,从而更有效地保留边缘细节,并在图像 - 基于 CT 图像的踝骨折分类的多阶段半监督学习
通过建立骨折数据集,提出了一个自动诊断踝关节骨折的诊断模型,该模型利用联合胫腓区域分割网络进行分割,通过图像配准法进行骨分割掩膜的注册,最终构建了半监督分类器来对踝关节骨折进行分类,实验证明该方法能够准确分割具有骨折线条的骨折并在多个指标上 - 纠正运动的移动平均:包含事后时间信息以改善视频分割
本论文提出一种在任何分割模型中引入时间信息的方法,从而提高视频分割性能,无需训练过程中的改动或额外标注,并通过使用光流计算进行运动校正的移动平均方法,在公开数据集和内部内窥镜数据集上展示了改进。
- 3D 血管分割,以最大强度投影的 2D 标注为监督
利用最大强度投影法(MIP)将 3D 卷积降维为 2D 图像进行有效注释,然后利用 2D 标签训练三维血管分割模型并生成伪标签,进一步改进分割性能。
- 基于 3D 合成数据增强的海上救援热红外遥感目标检测系统
本文提出了一个利用深度学习和数据增强的热红外(TIR)远程目标检测系统,该系统针对海上救援进行研究。通过使用 TIR 相机(FLIR)建立了一个自采集的 TIR 数据集,其中包括多个模拟人类救援情境的场景。此外,为了解决数据集稀缺和改善模型 - 多任务可解释性皮肤病变分类
通过使用多任务少样本学习方法,我们提出了一种适应少量标记数据的多任务少样本学习方法,结合分割网络和分类网络,以实现对皮肤病变的自动分类和检测,提高皮肤癌的早期检测率。
- 知识图谱推理的弱监督语义分割
这篇论文介绍了一种基于图推理的方法来提高弱监督语义分割技术,该方法同时增强了多标签分类和分割网络阶段,并融合了外部知识和图卷积网络来全局推理跨类别依赖关系,以改善生成伪标签的完整性,并应用图推理映射模块加强高级语义的特征表示,动态学习个别样 - ICCV本地样式化的神经光辐射场
我们提出了一种基于局部风格转移的 NeRF 风格化框架,利用哈希网格编码来学习外观和几何组件的嵌入,并通过优化外观分支并保持几何分支固定来实现风格化,使用分割网络和二分图匹配来建立样式图像和内容图像之间的区域对应关系,实验证明我们的方法在新 - CoNeS: 带有位移调制的条件神经场用于多序列磁共振图像翻译
使用像素到像素映射的多层感知器,我们提出了一种条件神经场与移位调制的模型,用于多序列磁共振成像的图像翻译,该方法在视觉和定量上表现出色,能够克服传统卷积神经网络模型中常见的光谱偏差问题。
- 一种弱监督分段网络嵌入了跨尺度注意引导和对胰腺肿瘤的噪声敏感约束用于检测胰腺肿瘤的第三淋巴结结构
通过提出一种弱监督分割网络,本研究旨在通过少样本学习的方式检测胰腺病理图像上的淋巴结密度结构(TLSs),并在两个收集的数据集上的实验结果表明,该方法在 TLSs 检测准确性方面显著优于最先进的基于分割的算法。
- 基于归一化注意力和双尺度交互的无服务铁路表面缺陷分割
本文提出了一种基于规范化的注意力和双尺度交互的新颖的 NRSD 分割网络,名为 NaDiNet,通过 Normalized Channel-wise 自我注意力模块和双尺度交互块,能在不同粒度的缺陷区域中实现精确的分割。
- PRSeg: 轻量级补丁旋转 MLP 解码器用于语义分割
本文提出了一种无参数化的补丁旋转操作来重新组织像素,基于该操作,设计了一种新的语义分割网络 PRSeg,其中包括一个预先设计好的骨干网络和一个轻量级的 Patch Rotate MLP 解码器,包含多个动态 Patch Rotate 块 ( - CVPR基于分割指导降噪的学生 - 教师网络在异常检测中的应用
本研究提出了一种名为 DeSTSeg 的改进型模型,它将教师网络、降噪学生编码器 - 解码器和分割网络集成到一个框架中,包括去噪过程和丰富的监督,以实现对视觉异常检测的高效处理,实验结果表明在工业检测基准数据集上取得了最新成果。
- CVPRGANSeg: 通过无监督分层图像生成学习分割
本文提出了一种基于生成对抗网络的方法,以隐式关键点作为上下文条件,生成与引导图像细分任务对应的掩模图像。该方法不仅不需要对数据进行标注,而且还可以提高系统对视角和目标位置变化的容忍度。通过生成图像 - 掩模对,本文所提出的方案在公认的基准测 - AAAI视觉边界知识转换用于前景分割
本文旨在通过采用视觉边界知识翻译(BKT)任务建立新的模型,该模型在仅有少量标签样本的情况下,能够对未知分类进行精确分割。该模型使用分割网络和两个边界鉴别器逐步实现目标,这些实验表明,仅有少量样本的指导,Trans-Net 在轻度监督下取得 - CVPR基于鲁棒性模型的面部重建技术研究 - 弱监督条件下的离群点分割
本研究旨在通过避免拟合模型的异常值,即无法通过模型很好地表达的区域(如遮挡物或化妆品)来增强基于模型的人脸重建。为了解决本问题,我们提出了一种名为 FOCUS 的联合人脸自编码器和异常值分割方法。我们的实验表明,FOCUS 在所有没有 3D - 无检测弱监督分离定位
本文提出一种名为 “基于分离的定位” 的方法,不需使用在弱监督区域定位中常见的预先训练的目标检测器,仅从图像和相关联的自由文本对中直接学习,能够有效地定位文本中的图像区域,并取得了不错的效果。
- 医学图像分割的深度协同图像与特征对齐无监督双向跨模态适应
本文提出了一种名为 SIFA 的新型无监督域自适应框架,从图像和特征两方面进行协同对齐,利用多方面的对抗学习和深度监督机制增强了特征的域不变性,提高了在未标记目标图像上的分割性能。