Conditional Generative Adversarial Networks for Metal Artifact Reduction in CT Images of the Ear
PulseAugur coverage of Conditional Generative Adversarial Networks for Metal Artifact Reduction in CT Images of the Ear — every cluster mentioning Conditional Generative Adversarial Networks for Metal Artifact Reduction in CT Images of the Ear across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
New AI framework matches book moods with music recommendations
研究人员开发了一个名为 SAGA-CDR 的新框架，用于推荐与书籍情感基调相匹配的音乐。该系统使用条件生成对抗网络 (CGANs) 来跨域转移情感嵌入，并使用大型语言模型 (LLMs) 将书籍分类到情感象限中。在 Amazon 和 Douban 数据集上的实验表明，SAGA-CDR 在预测音乐评分方面具有更高的准确性，即使在跨语言场景下也是如此。
-
新研究使用 Wasserstein 散度量化生成增强的可靠性
一篇新发表在 arXiv 上的研究探讨了生成数据增强对机器学习下游泛化的理论影响。该研究引入了一个统计框架来分析增强如何影响分类风险，并提出这种风险失真受增强强度以及真实数据分布与生成数据分布之间 Wasserstein 散度的影响。研究结果表明，尽管分布保真度（以 Wasserstein 散度衡量）的提高很重要，但它并不总是能保证卓越的分类性能，传统的过采样方法有时更具竞争力。这项工作将生成增强确立为一个可以量化并得到泛化保证支持的…
-
新型cGAN可从2D图像重构3D多孔介质
研究人员开发了一种新颖的条件生成对抗网络（cGAN）框架，能够从2D图像重构3D多孔介质体积。该方法独特地结合了属性条件生成与2D到3D重构，无需大量的3D训练数据，同时允许控制孔隙度等岩石物理属性。该框架采用混合架构，包含一个3D生成器和一个2D判别器，从2D切片学习3D结构，并在孔隙度控制方面取得了0.93的高$R^2$值。
-
新框架利用大型语言模型和生成模型增强时间序列预测 · 追踪 6 个来源
研究人员正在开发先进的时间序列预测框架，该框架整合了多样化的数据类型并提供可操作的见解。TokenCast 利用大型语言模型将数值序列和上下文特征转换为统一的符号表示，以实现更准确的预测。ConTex 通过学习全局策略而非实例级优化，重新构建时间序列的反事实生成，从而实现一致的实时干预。TimeMoDE 利用在多领域数据集上预训练的混合专家模型（Diffusion Transformers with Mixture-of-Expert…
-
AI从H&E前列腺活检图像生成IHC染色
研究人员开发了一种深度学习模型，能够从前列腺活检的标准苏木精和伊红（H&E）图像生成免疫组织化学（IHC）染色模式。该方法使用条件生成对抗网络（cGAN），该网络在配对的H&E和PIN-4 IHC图像数据集上进行训练。生成的图像准确地捕捉了诊断相关的染色模式，解决了当前H&E形态学和IHC信号之间空间错位的问题。