CycleGAN
PulseAugur coverage of CycleGAN — every cluster mentioning CycleGAN across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
AI框架改进了跨数据集的乳腺钼靶钙化分类
研究人员开发了一种新颖的乳腺钼靶钙化分类框架，旨在提高不同数据集和成像技术下的诊断准确性。该系统利用无监督域适应和AdaIN、CycleGAN等风格迁移模型生成多样化的训练样本，无需额外标注。Swin Transformer V2骨干网络随后执行监督分类。该方法在外部分析数据集上展示了改进的性能，提高了EMBED和Duke钙化数据集的AUC分数，从而减少了域偏移问题并增强了泛化能力。
-
PotatoGANs 利用合成数据和 XAI 增强病害识别
研究人员开发了一种名为 PotatoGANs 的新型数据增强技术，以改进马铃薯病害的识别和分类。该方法利用生成对抗网络 (GANs) 创建患病马铃薯的合成图像，从而扩展数据集并提高模型泛化能力，这是传统增强方法难以实现的。研究发现，与 Pix2Pix 相比，CycleGAN 生成的合成图像质量更高，Inception Score 评分也证明了这一点。此外，该研究将可解释人工智能 (XAI) 算法与各种卷积神经网络 (CNN) 架构相结…
-
新的 Seed-to-Seed 方法结合了 GAN 和扩散模型进行图像翻译
研究人员开发了一种名为 Seed-to-Seed Translation (StS) 的新方法，该方法结合了生成对抗网络 (GAN) 和扩散模型来进行无配对的图像到图像翻译。该方法利用预训练扩散模型“种子空间”中的语义信息来执行复杂的翻译，特别是在汽车场景中，同时保持结构完整性。StS 方法使用以 CycleGAN 原理训练的 sts-GAN，并采用 ControlNet 进行结构保留，在性能上优于现有技术。
-
研究：拼接伪影影响AI生成体积数据集
一篇新的研究论文探讨了拼接伪影和维度对大型人工生成体积数据集的影响，特别是在冷冻电子显微镜的背景下。研究发现，FID分数不足以检测细微的拼接伪影，而这些伪影会严重影响下游的分割任务。虽然具有无伪影拼接的3D模型比2D模型有边际改进，但计算成本并不总是合理的，并且由于更大的批次大小，2D模型提供了更稳定的训练。该研究强调了在生物医学成像中使用的生成模型，仔细考虑和减轻拼接伪影的重要性。
-
新AI框架可校正前列腺MRI扫描中的扭曲
研究人员开发了一种新颖的弱监督图像质量迁移（IQT）框架，用于校正单次采集平面回波前列腺弥散加权成像（DWI）中的几何扭曲。该方法利用图像质量评估（IQA）信号来指导迁移过程，通过图像级质量标签建立潜在质量原型，而无需昂贵的、体素级别的配对数据。通过合成模仿临床退化的逼真扭曲，该框架使第二个IQT模型能够进行有效的扭曲校正训练，在PI-RADS和Gleason评分分类等下游诊断任务中优于现有的非配对方法。
-
新AI方法协调阿尔茨海默病PET扫描，改善疾病追踪
研究人员开发了一种名为Feynman Kac Reweighted Schrödinger Bridge Matching (FKRSBM)的新方法来协调Tau PET成像数据，这对于追踪阿尔茨海默病进展至关重要。现有方法在源队列和目标队列之间不同的亚组构成方面存在困难，可能将站点效应与生物学变异混淆。FKRSBM学习分布之间的直接随机传输过程，并纳入了亚组感知的终点提议，以确保生物学上一致的传输。应用于神经影像学，它使用球形卷积骨干…
-
新AI模型从MRI合成Tau PET图像用于阿尔茨海默病诊断
研究人员开发了MCR-VQGAN，这是一种新颖的生成对抗网络，旨在从结构性MRI扫描中合成高保真度的Tau正电子发射断层扫描（PET）图像。该方法旨在通过提供一种可扩展且经济高效的替代方案，来克服传统Tau PET成像的局限性，例如辐射暴露和高成本。MCR-VQGAN模型结合了多尺度卷积、ResNet块和注意力模块来增强特征捕获，在定量指标方面表现出色，并保留了阿尔茨海默病分类的诊断相关特征。
-
新型扩散模型可从颅骨X射线重建面部
研究人员开发了Cranio-Diff，一种新颖的基于扩散的框架，用于从2D X射线颅骨图像重建面部。该方法通过整合颅骨条件结构引导和生物识别文本条件，确保颅骨与生成面部之间的语义和结构对齐，从而解决了现有生成模型的局限性。该框架在一个包含120名受试者的独特数据集上进行了评估，生成了不同年龄组和BMI变化的合成面部，并在图像质量和检索任务上表现优于现有方法，表明其在法医调查中的应用价值。
-
AI模型在术中超声到磁共振合成方面进行基准测试
研究人员系统性地对六种不同的AI架构进行了基准测试，用于从术中超声数据合成类似MRI的图像。该研究使用ReMIND数据集评估了各种推理模式和目标模态下的48项实验。至关重要的是，感知质量指标（如LPIPS）比传统的保真度指标（如SSIM）更密切地关联下游手术效用，例如肿瘤分割。
-
新AI方法提升低场MRI图像质量
研究人员开发了一种新方法来提高超低场（ULF）MRI扫描的图像质量。ULF MRI以其便携性和低成本而闻名，但分辨率较差。他们的方法已提交至2025 ULF Enhancement Challenge，该方法使用Swin UNETR模型生成分割先验。这些先验随后条件化两个独立的增强网络：一个CycleGAN和一个基于Transformer的模型T-REX，以合成类似于高场MRI扫描的图像。这些网络的输出被组合起来，生成在数量和质量上都…
-
新的GAN模型结合了架构以进行图像转换
一位Reddit用户通过结合几种现有的GAN架构（包括CUT、councilGAN、distanceGAN和cycleGAN）创建了一个新的生成模型。这个被称为“unholy abomination cyclegan”的新模型旨在将任何输入图像转换为指定的另一张图像。创作者分享了一个将“dtd meshed”图像转换为“dtd checkerboard”图案的例子，并指出当前分辨率低是由于计算资源有限。
-
生成模型在3D医学图像翻译中的比较
研究人员对七种用于3D医学图像到图像翻译的生成模型进行了全面评估，在多个数据集和解剖区域上比较了GANs与潜在生成模型。研究发现，GANs，特别是SRGAN，在合成医学图像方面通常优于潜在模型。一个关键发现是，尽管在与医生进行的视觉图灵测试中，合成图像与真实图像在很大程度上难以区分，但定量指标并未完全符合临床偏好，尤其是在小病灶和强度值的合成方面。
-
深度学习模型融合CycleGAN和YOLO用于PCB缺陷检测
本文提出了一种使用红外（IR）图像进行印刷电路板（PCB）缺陷检测的新颖框架，解决了IR数据有限的挑战。该方法采用CycleGAN进行不成对的图像到图像翻译，从可见光图像生成合成IR图像，模拟热模式。这些合成图像与有限的真实IR数据结合，用于训练YOLOv8检测器，显著提高了在数据稀疏场景下的性能。