国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

【論文閱讀】SynDiff Unsupervised Medical Image Translation with Adversarial Diffusion Models

1年前作者：求求你來(lái)BUG行不行分類(lèi)：Toy博客閱讀(53)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了【論文閱讀】SynDiff Unsupervised Medical Image Translation with Adversarial Diffusion Models。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問(wèn)。

Unsupervised Medical Image Translation with Adversarial Diffusion Models 論文大致翻譯和主要內(nèi)容講解

摘要：

通過(guò)源-目標(biāo)通道轉(zhuǎn)換對(duì)缺失圖像進(jìn)行填充可以提高醫(yī)學(xué)成像協(xié)議的多樣性。合成目標(biāo)圖像的普遍方法包括通過(guò)生成性對(duì)抗網(wǎng)絡(luò)(GAN)的一次映射。然而，隱含地描述圖像分布的Gan模型可能會(huì)受到樣本保真度有限的影響。為了提高醫(yī)學(xué)圖像翻譯的性能，我們提出了一種基于對(duì)抗性擴(kuò)散模型的新方法SynDiff。為了捕捉圖像分布的直接相關(guān)性，SynDiff利用一個(gè)條件擴(kuò)散過(guò)程，逐步將噪聲和源圖像映射到目標(biāo)圖像上。為了在推理過(guò)程中快速和準(zhǔn)確地進(jìn)行圖像采樣，在反向擴(kuò)散方向上采用對(duì)抗性投影進(jìn)行大的擴(kuò)散步驟。為了能夠在不成對(duì)的數(shù)據(jù)集上進(jìn)行訓(xùn)練，設(shè)計(jì)了一個(gè)周期一致的體系結(jié)構(gòu)，其中耦合了擴(kuò)散和非擴(kuò)散模塊，這些模塊在兩個(gè)通道之間進(jìn)行雙邊轉(zhuǎn)換。

介紹：GAN:這種隱含的表征可能會(huì)受到學(xué)習(xí)偏差的影響，包括過(guò)早收斂和模式崩潰。此外，GAN模型通常采用快速單點(diǎn)采樣過(guò)程而沒(méi)有中間步驟，這固有地限制了網(wǎng)絡(luò)執(zhí)行的映射的可靠性。
SynDiff采用了步長(zhǎng)較大的快速擴(kuò)散過(guò)程以提高效率。（1）通過(guò)一種新穎的源條件對(duì)抗投影器實(shí)現(xiàn)了在逆擴(kuò)散步驟中的精確采樣，該投影器在源圖像的引導(dǎo)下對(duì)目標(biāo)圖像樣本進(jìn)行去噪。（2）為了實(shí)現(xiàn)無(wú)監(jiān)督學(xué)習(xí)，設(shè)計(jì)了一種循環(huán)一致性架構(gòu)，在兩種模態(tài)之間具有雙向耦合的擴(kuò)散和非擴(kuò)散過(guò)程的情況。這里分別對(duì)應(yīng)圖一和圖二。

貢獻(xiàn)：

我們引入了第一個(gè)對(duì)抗擴(kuò)散模型用于高保真醫(yī)學(xué)圖像合成的文獻(xiàn)。
我們介紹了第一個(gè)基于擴(kuò)散的無(wú)監(jiān)督醫(yī)學(xué)圖像翻譯的方法，使訓(xùn)練的源目標(biāo)模態(tài)的不配對(duì)數(shù)據(jù)集。
我們提出了一種新的源條件對(duì)抗投影儀，以捕獲大步長(zhǎng)的反向轉(zhuǎn)移概率，有效的圖像采樣。

方法：

首先介紹了DiffusionModel。介紹了大致推導(dǎo)和公式講解。
之后介紹SynDiff。
unsupervised medical image translation with adversarial diffusion models,論文閱讀,醫(yī)學(xué)圖像處理
Regular Diffusion Model :X0是我們的目標(biāo)域。首先加噪到高斯噪聲；y是源域，在反向過(guò)程的時(shí)候，我們將源域信息添加進(jìn)去作為指導(dǎo)條件，希望逐步去噪得到的圖像里面由我們的源域信息，從而更好的生成目標(biāo)域。

Adversarial diffusion model：反向過(guò)程如圖所示。通過(guò)某一個(gè)時(shí)刻t的(Xt,y)通過(guò)生成器生成X0^(預(yù)測(cè)的目標(biāo)圖像)。然后將Xt,預(yù)測(cè)的X0通過(guò)反向擴(kuò)散得到預(yù)測(cè)的Xt-k。然后將真實(shí)的Xt,Xt-k和預(yù)測(cè)的Xt-k通過(guò)辨別器來(lái)進(jìn)行辨別。

為了生成A域的圖片，則我們還需要源域B的圖片，但是在實(shí)際中可能沒(méi)有配對(duì)的圖像，因此我們需要一個(gè)非擴(kuò)散模型的生成器來(lái)從A生成一個(gè)源域B的圖像。為了生成B域的，則我們首先需要從B生成A域的源域圖像；
unsupervised medical image translation with adversarial diffusion models,論文閱讀,醫(yī)學(xué)圖像處理

最上面兩個(gè)圖表示了A域B域分別作為目標(biāo)域時(shí)候的操作。當(dāng)A為目標(biāo)域時(shí)：先生成B域源域的圖像，然后又生成A域目標(biāo)域的圖像。將B域源域的圖像和label送進(jìn)辨別器。

最下面兩個(gè)圖表示了不同的域的逆向擴(kuò)散過(guò)程。當(dāng)A為目標(biāo)域時(shí)，傳入目標(biāo)域噪聲，預(yù)測(cè)的源域圖像通過(guò)生成器A預(yù)測(cè)出最終的目標(biāo)圖像，然后通過(guò)擴(kuò)散過(guò)程得到Xt-k。將Xt,預(yù)測(cè)的Xt-k和label送入鑒別器。

對(duì)抗性擴(kuò)散過(guò)程：

常規(guī)的擴(kuò)散模型需要T步，很費(fèi)時(shí)間。本文使用如下公式：
unsupervised medical image translation with adversarial diffusion models,論文閱讀,醫(yī)學(xué)圖像處理

訓(xùn)練步驟(自己結(jié)合代碼所寫(xiě)）：

都是操作的兩個(gè)域，舉例子就舉一個(gè)方向的即可。
首先訓(xùn)練DD（Diffusion Discriminator)，固定生成器
1.真實(shí)數(shù)據(jù)
根據(jù)真實(shí)數(shù)據(jù)A生成正向采樣的XAt,XAt+1。
通過(guò)DD來(lái)鑒別這個(gè)兩個(gè)真實(shí)的（XAt,t,XAt+1)
期望這個(gè)值越大越好。所以加了負(fù)號(hào)。
2.假數(shù)據(jù)
通過(guò)NDG（NonDiffusionGenerator)來(lái)生成真實(shí)A,B對(duì)應(yīng)的另外一個(gè)域的數(shù)據(jù)
然后通過(guò)DG生成XA0 傳入（真實(shí)的XAt，預(yù)測(cè)的XB（源域），t1,潛在變量）
然后通過(guò)(預(yù)測(cè)的XA0，真實(shí)XAt+1，t1)來(lái)預(yù)測(cè)XAt.
通過(guò)DD來(lái)判斷假的（預(yù)測(cè)的XAt,t1,真實(shí)的XAt+1)
期待這個(gè)值越小越好。
現(xiàn)在就對(duì)DD參數(shù)進(jìn)行更新。

然后訓(xùn)練NND(NonDiffusionDiscriminator),固定生成器
1.真實(shí)數(shù)據(jù)
通過(guò)NND來(lái)鑒別真實(shí)的A,B數(shù)據(jù)。 disc_non_diffusive_cycle1(real_data1)
2.假數(shù)據(jù)
通過(guò)NNG來(lái)生成B對(duì)應(yīng)的A域數(shù)據(jù)。x1_0_predict = gen_non_diffusive_2to1(real_data2)
通過(guò)NND來(lái)鑒別假的A,B數(shù)據(jù)。
值越小越好。

接下來(lái)對(duì)生成器進(jìn)行訓(xùn)練，固定鑒別器。
通過(guò)真實(shí)的A生成真實(shí)的XAt,XAt+1。 x1_t, x1_tp1 = q_sample_pairs(coeff, real_data1, t1)
通過(guò)NDG將B預(yù)測(cè)到A，再把A預(yù)測(cè)回B。
通過(guò)DG（真實(shí)的XAt+1,預(yù)測(cè)B，t1,潛在變量z1)生成預(yù)測(cè)的XA。
通過(guò)預(yù)測(cè)的XA,真實(shí)的XAt+1采樣得到XAt.
通過(guò)DD來(lái)鑒別假的（采樣的XAt,t1, 真實(shí)的XAt+1) 但是生成器希望這個(gè)生成的數(shù)據(jù)接近真實(shí)的，所以越大越好。
通過(guò)NDG將B預(yù)測(cè)到A的圖片通過(guò)NND進(jìn)行辨別。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-854616.html

到了這里，關(guān)于【論文閱讀】SynDiff Unsupervised Medical Image Translation with Adversarial Diffusion Models的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來(lái)自互聯(lián)網(wǎng)用戶(hù)投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

【論文閱讀筆記】Prompt Tuning for Parameter-efficient Medical Image Segmentation
Fischer M, Bartler A, Yang B. Prompt tuning for parameter-efficient medical image segmentation[J]. Medical Image Analysis, 2024, 91: 103024. 【開(kāi)源】【核心思想】本文的核心思想是提出了一種用于醫(yī)學(xué)圖像分割的參數(shù)高效的提示調(diào)整（Prompt Tuning）方法。這種方法基于預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，通過(guò)插入可學(xué)習(xí)的
2024年01月17日
瀏覽(45)
圖像融合論文閱讀：U2Fusion: A Unified Unsupervised Image Fusion Network
@ARTICLE{9151265, author={Xu, Han and Ma, Jiayi and Jiang, Junjun and Guo, Xiaojie and Ling, Haibin}, journal={IEEE Transactions on Pattern Analysis and Machine Intelligence}, title={U2Fusion: A Unified Unsupervised Image Fusion Network}, year={2022}, volume={44}, number={1}, pages={502-518}, doi={10.1109/TPAMI.2020.3012548}} SCI A1;IF 23.6 論文地址代碼
2024年01月17日
瀏覽(35)
【論文閱讀筆記】A Recent Survey of Vision Transformers for Medical Image Segmentation
Khan A, Rauf Z, Khan A R, et al. A Recent Survey of Vision Transformers for Medical Image Segmentation[J]. arXiv preprint arXiv:2312.00634, 2023. 【論文概述】本文是關(guān)于醫(yī)學(xué)圖像分割中視覺(jué)變換器（Vision Transformers，ViTs）的最新綜述。文中詳細(xì)回顧了ViTs及其與卷積神經(jīng)網(wǎng)絡(luò)（CNNs）結(jié)合形成的混合視覺(jué)Trans
2024年02月02日
瀏覽(46)
《VM-UNet: Vision Mamba UNet for Medical Image Segmentation》論文閱讀及代碼復(fù)現(xiàn)
論文地址：[2402.02491] VM-UNet: Vision Mamba UNet for Medical Image Segmentation (arxiv.org) 代碼地址：JCruan519/VM-UNet: (ARXIV24) This is the official code repository for \\\"VM-UNet: Vision Mamba UNet for Medical Image Segmentation\\\". (github.com) 摘要：在醫(yī)學(xué)圖像分割領(lǐng)域，基于細(xì)胞神經(jīng)網(wǎng)絡(luò)和基于變換器的模型都得到了廣
2024年03月24日
瀏覽(24)
【論文閱讀筆記】UNSUPERVISED REPRESENTATION LEARNING FOR TIME SERIES WITH TEMPORAL NEIGHBORHOOD CODING
?本文提出了一種自監(jiān)督框架，名為“時(shí)間鄰域編碼”（Temporal Neighborhood Coding，TNC），用于學(xué)習(xí)非平穩(wěn)時(shí)間序列的可泛化表示。該方法利用信號(hào)生成過(guò)程的局部平滑性來(lái)定義具有平穩(wěn)性質(zhì)的時(shí)間鄰域。通過(guò)使用去偏差對(duì)比目標(biāo)，該框架通過(guò)確保在編碼空間中，來(lái)自鄰域內(nèi)的信
2024年02月21日
瀏覽(21)
【論文閱讀筆記】Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation Swin-Unet：用于醫(yī)學(xué)圖像分割的類(lèi)Unet純Transformer 2022年發(fā)表在 Computer Vision – ECCV 2022 Workshops Paper Code 在過(guò)去的幾年里，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在醫(yī)學(xué)圖像分析方面取得了里程碑式的成就。特別是基于U型結(jié)構(gòu)和跳躍連接的深度神經(jīng)
2024年01月23日
瀏覽(32)
【論文閱讀】（DALLE-3）Improving Image Generation with Better Captions
引用： Betker J, Goh G, Jing L, et al. Improving image generation with better captions[J]. Computer Science. https://cdn. openai. com/papers/dall-e-3. pdf, 2023, 2(3): 8. 論文鏈接： https://arxiv.org/abs/2212.09748 論文展示了通過(guò)在高度描述性的生成圖像captions上訓(xùn)練，可以顯著提高文本到圖像模型的提示跟隨能力。
2024年03月12日
瀏覽(19)
論文閱讀--High-Resolution Image Synthesis with Latent Diffusion Models
High-Resolution Image Synthesis with Latent Diffusion Models論文閱讀 Abstract Introduction Diffusion model相比GAN可以取得更好的圖片生成效果，然而該模型是一種自回歸模型，需要反復(fù)迭代計(jì)算，因此訓(xùn)練和推理代價(jià)都很高。論文提出一種在潛在表示空間（latent space）上進(jìn)行diffusion過(guò)程的方法，
2024年01月17日
瀏覽(51)
【論文閱讀】SuperFusion: A Versatile Image Registration and Fusion Network with Semantic Awareness
論文鏈接：SuperFusion: A Versatile Image Registration and Fusion Network with Semantic Awareness | IEEE Journals Magazine | IEEE Xplore 代碼：?GitHub - Linfeng-Tang/SuperFusion: This is official Pytorch implementation of \\\"SuperFusion: A Versatile Image Registration and Fusion Network with Semantic Awareness\\\" 圖像融合的重要性：由于攝影環(huán)境
2024年03月19日
瀏覽(22)
自監(jiān)督論文閱讀筆記 RingMo: A Remote Sensing Foundation Model with Masked Image Modeling
????????深度學(xué)習(xí)方法促進(jìn)了遙感 (RS) 圖像解釋的快速發(fā)展。最廣泛使用的訓(xùn)練范式是利用 ImageNet 預(yù)訓(xùn)練模型來(lái)處理指定任務(wù)的 RS 數(shù)據(jù)。然而，存在? 自然場(chǎng)景與RS場(chǎng)景之間的領(lǐng)域差距，以及 RS模型泛化能力差等問(wèn)題。開(kāi)發(fā) 具有通用 RS 特征表示的基礎(chǔ)模型是有意義的。
2024年02月16日
瀏覽(26)