- 自主调整 UNet:用于医学图像分割的自主调整 UNet
本文研究探讨了 UNet 在医学图像分割中的学习模式,并提出了解决非对称监督引起的不相关特征和特征冗余的方法,通过利用特征蒸馏,在几乎无计算成本的情况下,将提出的方法应用于现有的 UNet 架构中,实验结果表明该方法在四个医学图像分割数据集 - BitsFusion:扩散模型的 1.99 位权重量化
通过开发一种新的权重量化方法,将稳定扩散 v1.5 的 UNet 模型量化为 1.99 位,实现模型尺寸减小 7.9 倍,同时展现更好的生成质量。
- PAM-UNet:基于区域感兴趣的医学图像注意力转移
提出了一种新的基于渐进注意力和移动 UNet (PAM-UNet) 架构的计算机辅助分割方法,该方法平衡了计算效率和准确性, 在 Liver Tumor Segmentation Benchmark (LiTS) 2017 数据集上取得了 - ViM-UNet:用于生物医学分割的视觉玛巴
基于 Vision Mamba 架构的 ViM-UNet 是一种新颖的分割架构,与 UNet 和 UNETR 相比,在两个具有挑战性的显微镜实例分割任务中表现相似或更好,同时更加高效。
- 轻量级 UNet 中的 Mamba 辅助医学图像分割
LightM-UNet integrates Mamba and UNet in a lightweight framework, achieving superior segmentation performance while dras - 出血性中风分割和出血体积估计的自动串联模型
基于 UNet 构建了一个级联的三维模型,从粗到细对 CT 图像中的出血区域进行两阶段分割,并自动计算出出血体积,与传统的 Tada 公式相比,该模型在 341 例出血性中风 CT 扫描中提供了高质量的分割结果(DSC 85.66%)和更好 - 具有歌曲结构图分析的组合音乐生成模型
提出了一种符号音乐生成模型,使用了歌曲结构图分析网络构建了一个图,利用音符序列和乐器等信息作为节点特征,音符序列之间的相关性作为边特征。通过训练图神经网络来获取图中节点的表示,然后将节点表示作为 Unet 的输入生成 CONLON 钢琴滚动 - 解构扩散模型中 Unet 的时态动力学
通过研究 Unet 在去噪扩散概率模型中的动态行为,我们系统评估了时间步长和核心 Unet 组件对最终输出的影响,发现其中的生成阶段和 Unet 在推断中的使用模式,进而识别出改进 DDPM 中的冗余以提高推断速度,同时在输出质量方面几乎没 - 加快扩散:重新思考 Diffusion 模型中 UNet 编码器的作用
通过对 UNet 编码器的全面研究,我们发现编码器特征变化温和,而解码器特征在不同时间步长间存在显著变化。根据这一观察,我们引入了一种简单而有效的编码器传播策略,以加速各种任务的扩散抽样。此外,我们还引入了一种先验噪声注入方法来改善生成图像 - 远程感知分割的图信息瓶颈
本文介绍一种用于遥感图像分割的简单对比视觉图神经网络(SC-ViG)架构,该架构将图像视为图结构,并通过构建节点屏蔽和边屏蔽图视图来获得最佳的图结构表示,通过引入信息瓶颈理论来最大化任务相关信息,同时最小化任务无关的冗余信息,进而取得了优于 - ScaleLong: 通过缩放网络长跳连接实现扩散模型更稳定的训练
UNet 的长跳连接系数对其前向和反向传播的稳定性以及鲁棒性有重大影响,理论解释了 UNet 训练的不稳定性,通过 LSC 系数缩放来提高训练稳定性
- ACC-UNet: 2020 年代的全卷积 UNet 模型
我们提出了一个纯卷积 UNet 模型,将视觉转换器、医学影像和转换器模型相结合,实现了与最先进的模型相媲美的性能,在多个医学图像分割基准测试中始终优于卷积网络、转换器及其混合模型。
- 医学图像分割的边界差异联合损失
医学图像分割关键在于边界区域的准确性,本文提出了一种简单有效的损失函数用于边界区域分割,并通过实验验证了其有效性。
- 一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割
本文提出了一种改进的 UNet 结构,称为 SLCA UNet,它结合了残差密集块、分层注意力和通道注意力模块,以及堆叠卷积。在脑肿瘤分割上,该方法在 BraTS 2020 数据集上表现良好,平均 Dice 系数、灵敏度、特异度和 Haus - M^2UNet: 元 - 变形 - 多尺度上采样网络用于息肉分割
本文提出了一种基于 MetaFormer、UNet 和多尺度上采样块的多尺度上采样网络(M$^2$UNet)用于息肉分割任务,该方法在多个基准数据集上都与先前的方法相比具有竞争性的表现。
- SnapFusion:移动设备上的文本到图像扩散模型,两秒钟内完成
该研究通过引入高效网络架构和步骤蒸馏等技术,提出了一种通用的方法,首次实现在移动设备上以不到 2 秒的速度运行文本到图像扩散模型。该模型可以使用户自己创作图像,而不需要高端 GPU 或云端推理,这将在内容创作方面具有重要作用。
- 基于扩散的图像修复统一条件框架
本文提出了一种基于扩散模型的统一条件框架,结合了轻量级 UNet 和固有的差异模型来增强图像恢复的物理约束,采用基本和集成模块实现了对所有块的引导和其他辅助条件信息的整合,并提出了简单而有效的截距补丁分裂策略,将其用于低光量去噪、去模糊和 - 基于物理学的网络微调,从高通滤波相位中获取鲁棒的量化磁化率图
该论文介绍了一种卷积神经网络(CNN)的改进方法,该方法使用基于物理的微调过程和渐进式 Unet 网络结构从高通滤波的相位(HPFP)图像中精确预测定量磁化率映射(QSM),并提高了模型的鲁棒性。
- 深度关注 Unet:具有全局特征感知能力的网络模型
本文提出了一种基于通道自注意机制和残差连接的新型 UNet 图像分割算法,通过改进图像中不同项目之间的内部连接,显著提高了遮挡遥感图像分割的结果。在 FoodNet 数据集上,与传统 UNet 相比,新的网络模型将平均交并比提高了 2.48 - 恶性胶质母细胞瘤脑瘤的检测和分类
本文提出了两种深度学习模型,UNet 和 Deeplabv3,用于使用预处理的脑 MRI 图像检测和分割胶质母细胞瘤脑肿瘤,实验结果表明,Deeplabv3 在准确性上优于 UNet,但需要更多的计算资源,这些模型为胶质母细胞瘤脑肿瘤的早期