Pix2Pix
PulseAugur coverage of Pix2Pix — every cluster mentioning Pix2Pix across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
受量子启发的TT-Net利用张量网络推进图像去噪
研究人员推出了一种新颖的图像去噪方法TT-Net，该方法利用受量子启发的张量网络方法。与使用奇异值分解（SVD）处理单个通道的现有方法不同，TT-Net采用双切张量链分解来访问跨通道信息。这一进展使得TT-Net在处理高斯噪声、运动模糊和椒盐噪声等各种噪声类型时，在去噪质量上优于SVD-Net。该研究还表明，受量子启发的工具可以作为深度学习应用中有效的特征过滤器。
-
新数据集和模型推动水下图像增强技术发展 · 跟踪 4 个来源
研究人员推出了几个用于改进水下图像增强 (UIE) 的新框架和数据集。$\pi$-SUB 数据集采用物理信息框架开发，旨在通过整合详细的环境因素，弥合合成水下图像与真实水下图像之间的差距。与现有数据集相比，它在超真实感和泛化能力方面显示出显著的改进。此外，还提出了 CoRe-UIE 和 PROTEUS 等新的 UIE 架构，它们通过采用专家协作和退化引导特征适应来解决共存退化和区域变化等挑战。
-
新的扩散模型使用小波域条件生成卫星图像
研究人员开发了一个新颖的扩散框架，该框架利用小波域条件从地图数据生成卫星图像。该方法建立在ControlNet和Stable Diffusion骨干之上，采用了在地图和小波表示上训练的两个适配器，并通过MultiControlNet进行融合。该方法在新德尼泊尔数据集和Pix2Pix地图-卫星基准上进行了评估，在图像保真度和分布真实性相关的几个指标上优于现有方法。
-
人工智能与红外成像技术提供无辐射的儿童骨骼创伤诊断方案
研究人员提出了一种结合红外（IR）成像和人工智能的新方法，旨在为儿童骨骼创伤诊断提供一种无辐射的替代方案。该方法利用各种红外光谱窗口和深度学习技术，将非电离红外数据转化为合成X光片重建。尽管该方法在便携式、非电离诊断硬件方面展现出潜力，但在构建红外/X光配对数据集、应对人工智能医疗器械监管以及标准化采集协议方面仍面临挑战。
-
MIRAGE模型增强MRI造影增强预测
研究人员开发了MIRAGE，一种新颖的二维U-Net模型，旨在从造影前切片推断乳腺MRI中的造影增强。该模型整合了全局重建和感知损失，以及专门的病灶感知监督，包括对漏诊的肿瘤增强和多尺度辅助肿瘤分割的惩罚。在MAMA-SYNTH数据集的301个病例上进行评估，MIRAGE在多个指标上表现优越，与Pix2Pix和条件扩散模型等现有基线相比，显著提高了下游病灶定位的准确性。
-
新基准衡量AI医学图像编辑中的目标外漂移
研究人员引入了CIB-Med-1，这是一个旨在评估用于医学图像编辑的扩散模型的新基准。该基准解决了“目标外漂移”问题，即模型在尝试修改特定目标时可能会改变图像的非预期方面。CIB-Med-1专注于胸部放射照片中的受控生物标志物编辑，评估图像轨迹的语义控制，而不仅仅是分数最大化。还提出了一个新的约束扩散引导基线，它在保持目标进展的同时有效减少了目标外漂移。
-
新型GAN合成朝觐人群图像，提升人群计数模型性能
研究人员开发了Pix2Pix-Hybrid (P2P-H)，这是一种新颖的条件GAN，旨在合成朝觐的逼真人群图像，以解决标注数据稀缺和隐私问题。该模型采用U-Net生成器，该生成器以包括结构线索和人群密度属性在内的多个输入通道为条件，并结合多尺度PatchGAN判别器以实现详细的纹理合成。这种方法催生了CrowdH合成数据集，该数据集在用于训练人群计数模型时，与仅使用真实数据训练的模型相比，表现出更高的性能并降低了平均绝对误差。
-
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。
-
深度学习模型可准确分割心脏脂肪沉积
研究人员开发了一种新的深度学习方法，使用计算机断层扫描（CT）来分割心脏脂肪沉积。该方法利用了pix2pix生成对抗网络，并针对图像到图像转换进行了调整，可自主识别和量化心外膜脂肪和纵隔脂肪。该方法在心外膜脂肪分割方面达到了99%以上的高准确率，在纵隔脂肪分割方面达到了近98%的准确率，在速度和精度上均优于现有研究。
-
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。
-
Pix2Geomodel在复杂油藏建模中展现出鲁棒性和迁移性
研究人员开发了一个基于Pix2Pix的模型Pix2Geomodel，通过在地质相和岩石物理属性之间进行翻译来改进油藏地质建模。该模型在一个复杂的油藏数据集上展示了鲁棒性和迁移性，保持了地质构造和空间连续性趋势。值得注意的是，相-孔隙度翻译实现了高精度指标，表明其在具有挑战性的地下特征描述场景中用于快速属性翻译的实用性。
-
AI研究绘制极端视角下车牌识别极限图
研究人员开发了一种名为可恢复性图谱的新颖方法，用于量化诸如车牌识别等任务的基于AI的图像恢复的极限。该方法系统地测试了各种退化参数，例如极端视角和真实的相机伪影，以确定何时可以可靠地恢复信息。研究发现，感知几何形状，而不是所使用的特定AI架构，主要决定了图像恢复的成功率，其中最好的模型在大约93%的测试条件下恢复了可用数据。