論文の概要: Learning Generative Models of Tissue Organization with Supervised GANs
- arxiv url: http://arxiv.org/abs/2004.00140v1
- Date: Tue, 31 Mar 2020 22:22:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 01:44:17.439854
- Title: Learning Generative Models of Tissue Organization with Supervised GANs
- Title（参考訳）: GANを監督した組織組織生成モデルの学習
- Authors: Ligong Han, Robert F. Murphy, and Deva Ramanan
- Abstract要約: 細胞と組織の空間的構造を理解するための重要なステップは、その組織を正確に反映した生成モデルを構築する能力である。
本稿では,細胞膜とミトコンドリアの位置が濃密にアノテートされた電子顕微鏡(EM)画像の生成モデルの構築に焦点をあてる。
本稿では,GAN(Generative Adversarial Networks)を用いて現実的な画像を生成する2段階のプロシージャを提案する。
- 参考スコア（独自算出の注目度）: 46.569795520982325
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: A key step in understanding the spatial organization of cells and tissues is
the ability to construct generative models that accurately reflect that
organization. In this paper, we focus on building generative models of electron
microscope (EM) images in which the positions of cell membranes and
mitochondria have been densely annotated, and propose a two-stage procedure
that produces realistic images using Generative Adversarial Networks (or GANs)
in a supervised way. In the first stage, we synthesize a label "image" given a
noise "image" as input, which then provides supervision for EM image synthesis
in the second stage. The full model naturally generates label-image pairs. We
show that accurate synthetic EM images are produced using assessment via (1)
shape features and global statistics, (2) segmentation accuracies, and (3) user
studies. We also demonstrate further improvements by enforcing a reconstruction
loss on intermediate synthetic labels and thus unifying the two stages into one
single end-to-end framework.
- Abstract（参考訳）: 細胞と組織の空間的構造を理解する上で重要なステップは、その組織を正確に反映する生成モデルを構築する能力である。
本稿では,細胞膜とミトコンドリアの位置が密に注釈付けされた電子顕微鏡(em)像の生成モデルの構築に焦点をあて,生成逆ネットワーク(gans)を用いた現実的な画像を生成する2段階の手法を提案する。
第1段階では,ノイズ"イメージ"を入力としてラベル"イメージ"を合成し,第2段階でem画像合成の監督を行う。
フルモデルは自然にラベルとイメージのペアを生成する。
本研究では,(1)形状特徴と大域統計,(2)セグメンテーション精度,(3)ユーザスタディを用いて,正確な合成EM画像を生成することを示す。
また,中間合成ラベルの再構成損失を強制し,この2段階を1つのエンドツーエンドフレームワークに統合することにより,さらなる改善を示す。
関連論文リスト
- Forgery-aware Adaptive Transformer for Generalizable Synthetic Image
Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。
本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。
提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文 参考訳（メタデータ） (2023-12-27T17:36:32Z) - Unlocking Pre-trained Image Backbones for Semantic Image Synthesis [29.688029979801577]
本稿では,現実的な画像を生成するセマンティック画像合成のための新しい種類のGAN識別器を提案する。
DP-SIMSをダブした本モデルでは,ADE-20K,COCO-Stuff,Cityscapesの入力ラベルマップと画像品質と一貫性の両面から,最新の結果が得られる。
論文 参考訳（メタデータ） (2023-12-20T09:39:19Z) - Bi-Modality Medical Image Synthesis Using Semi-Supervised Sequential
Generative Adversarial Networks [35.358653509217994]
本稿では,GANと半教師付き学習に基づく双方向医療画像合成手法を提案する。
提案手法は, 2つのモードの画像を逐次的に合成する2つの生成モジュールから構成される。
視覚的および定量的な結果から,本手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-27T10:39:33Z) - Pathology Synthesis of 3D-Consistent Cardiac MR Images using 2D VAEs and
GANs [0.5039813366558306]
本稿では,教師付きディープラーニング(DL)トレーニングの適用のためのラベル付きデータを生成する手法を提案する。
画像合成はラベル変形とラベルから画像への変換からなる。
心臓MRI画像のデータベースを多様化・拡張する手法として,このようなアプローチが有効であることを示す。
論文 参考訳（メタデータ） (2022-09-09T10:17:49Z) - Semi-Supervised Segmentation of Mitochondria from Electron Microscopy
Images Using Spatial Continuity [3.631638087834872]
ミトコンドリアの構造的・形態的・文脈的情報の空間的連続性を利用してミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。
我々のモデルは、最先端の完全教師付きモデルと同じような性能を達成するが、アノテーション付きトレーニングデータの20%しか必要としない。
論文 参考訳（メタデータ） (2022-06-06T06:52:19Z) - A Deep Learning Generative Model Approach for Image Synthesis of Plant
Leaves [62.997667081978825]
我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。
我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
論文 参考訳（メタデータ） (2021-11-05T10:53:35Z) - IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。
我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。
IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
論文 参考訳（メタデータ） (2021-04-13T02:00:24Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - You Only Need Adversarial Supervision for Semantic Image Synthesis [84.83711654797342]
我々は,高品質な結果を得るためには敵対的監督のみを必要とする,新しい簡易ganモデルを提案する。
本モデルによって合成された画像はより多様であり,実画像の色やテクスチャに密接に従っている。
論文 参考訳（メタデータ） (2020-12-08T23:00:48Z) - Improving Augmentation and Evaluation Schemes for Semantic Image
Synthesis [16.097324852253912]
本稿では,GAN(Generative Adversarial Network)に特化して設計された新しい拡張方式を提案する。
本稿では,ジェネレータへの入力として使用するセマンティックラベルマップのオブジェクト形状をランダムにワープする。
ワープされたラベルマップと非ワープされたラベルマップと画像の間の局所的な形状の相違により、GANはシーンの構造的および幾何学的詳細をよりよく学習することができる。
論文 参考訳（メタデータ） (2020-11-25T10:55:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。