3D variational autoencoder
PulseAugur coverage of 3D variational autoencoder — every cluster mentioning 3D variational autoencoder across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI方法实现全量程医学图像翻译
研究人员开发了一种新的跨模态医学图像翻译方法，该方法处理整个3D体积，而不是依赖于2D切片或块。这种方法被称为全量程多任务潜在流匹配，利用预训练的3D变分自编码器创建紧凑的潜在表示，使单个模型能够同时处理多个翻译任务。该方法在基于块的方法上表现出改进的性能，并实现了对未见解剖区域的零样本泛化以及跨数据集的组合翻译。
-
新型3D-VAE提升湍流模拟分辨率
研究人员开发了一种基于块的3D变分自编码器（3D-VAE），以改进湍流通道流模拟的超分辨率。该方法从粗糙数据中重建精细尺度的流动结构，解决了高雷诺数下直接数值模拟的计算成本问题。该3D-VAE模型在约翰霍普金斯大学湍流数据库的数据上进行训练，与传统插值方法相比，在频谱空间误差上降低了三倍，并显示出重建过滤模拟中不存在的频谱内容的潜力。
-
CONFLUX模型生成逼真的3D胸部CT扫描，并增强临床控制力
研究人员开发了CONFLUX，这是一种新颖的潜在扩散模型，用于合成具有特定临床属性的3D胸部CT扫描。该模型使用3D变分自编码器进行压缩，并使用整流流变换器进行生成，该生成过程以详细的放射学元数据为条件。额外的强化学习后训练阶段，使用组相对策略优化，显著增强了模型可靠生成所请求的临床发现的能力，与真实扫描相比，大大减少了差距。该项目还包括发布一个大型合成胸部CT数据集和一个交互式演示。
-
新的ALDM模型增强了胶质瘤的少样本3D MRI合成
研究人员开发了解剖条件潜在扩散模型（ALDM），这是一个专为高效、少样本3D体积MRI合成设计的新型框架。该模型采用两阶段过程，首先使用3D变分自编码器学习解剖先验，然后使用由ControlNet引导的肿瘤掩模条件化的潜在扩散模型，为数据稀缺的领域生成连贯的体积。在仅使用16张目标图像的极端少样本评估中，ALDM超越了GAN和混合基线，取得了85.40的优越Frechet Inception Distance（FID）和0.987的下…