論文の概要: Domain-Robust Mitotic Figure Detection with StyleGAN

• arxiv url: http://arxiv.org/abs/2109.01124v1
• Date: Thu, 2 Sep 2021 17:51:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 13:52:09.583667
• Title: Domain-Robust Mitotic Figure Detection with StyleGAN
• Title（参考訳）: styleganを用いたドメインロバストmitotic figure検出
• Authors: Youjin Chung, Jihoon Cho, and Jinah Park
• Abstract要約: そこで本研究では,ミオティックフィギュア検出における領域一般化のための新しいトレーニング手法を提案する。 画像スタイルの異なるスキャナータイプによる画像のばらつきを考慮し、スキャナータイプに頑健な検出ネットワークを訓練した。
• 参考スコア（独自算出の注目度）: 0.7646713951724011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new training scheme for domain generalization in mitotic figure detection. By considering the image variance due to different scanner types as different image styles, we have trained our detection network to be robust on scanner types. To expand the image variance, domain of training image is transferred into arbitrary domain. The proposed style transfer module generates different styled images from an input image with random code, eventually generating variously styled images. Our model with the proposed training scheme shows good performance on MIDOG Preliminary Test-Set containing scanners never seen before.
• Abstract（参考訳）: 有糸分裂型図形検出における領域一般化のための新しいトレーニング手法を提案する。 異なるスキャナタイプによる画像のばらつきを異なるイメージスタイルとして考慮し,スキャナタイプに頑健な検出ネットワークを訓練した。 画像分散を拡大するため、トレーニング画像の領域を任意の領域に転送する。 提案するスタイル転送モジュールは、ランダムなコードで入力画像から異なるスタイル画像を生成し、最終的に様々なスタイル画像を生成する。 提案手法を用いたモデルでは,MIDOGプリミティブテストセットには,これまで見たことのないスキャナが組み込まれている。

関連論文リスト

• Conditional Diffusion on Web-Scale Image Pairs leads to Diverse Image Variations [32.892042877725125]
  現在の画像変化技術では、同じ画像に条件付けされた入力画像の再構成にテキスト・ツー・イメージ・モデルを適用する。 凍結した埋め込み画像から入力画像の再構成を訓練した拡散モデルにより,小さなバリエーションで画像の再構成が可能であることを示す。 本稿では,画像ペアの集合を用いて画像の変動を生成するための事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:58:03Z)
• Learning Disentangled Prompts for Compositional Image Synthesis [27.99470176603746]
  本研究では,事前学習した画像生成モデルに1つの画像から新しいスタイルや概念を教え,新しい画像を合成する問題について検討する。 いくつかの画像から意味(クラス)とドメイン(スタイル)の非絡み合ったプロンプトを学習する新規なソースクラス蒸留ビジュアルプロンプトを提案する。
  論文  参考訳（メタデータ） (2023-06-01T14:56:37Z)
• Learning Diverse Tone Styles for Image Retouching [73.60013618215328]
  本稿では,フローベースアーキテクチャの標準化により,多様な画像のリタッチを学習することを提案する。 ジョイントトレーニングパイプラインは、スタイルエンコーダ、条件付きRetouchNet、イメージトーンスタイル正規化フロー(TSFlow)モジュールで構成される。 提案手法は最先端の手法に対して良好に動作し,多様な結果を生成するのに有効である。
  論文  参考訳（メタデータ） (2022-07-12T09:49:21Z)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators [63.85888518950824]
  生成モデルを新しいドメインに移行できるテキスト駆動方式を提案する。 自然言語のプロンプトと数分の訓練によって、我々の手法は複数のドメインにまたがってジェネレータを適応させることができることを示す。
  論文  参考訳（メタデータ） (2021-08-02T14:46:46Z)
• Matching Targets Across Domains with RADON, the Re-Identification Across Domain Network [7.289230074480914]
  本稿では、異なる視点から撮影した物体の画像や、異なる光学センサーで撮影された物体の画像と一致することを学習する、新しい畳み込みニューラルネットワークを提案する。 弊社のアプローチは、これまでのSiameseネットワークの取り組みを拡張し、それらをより困難なユースケースに修正する。
  論文  参考訳（メタデータ） (2021-05-25T16:36:38Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Unsupervised Discovery of Disentangled Manifolds in GANs [74.24771216154105]
  解釈可能な生成プロセスは、様々な画像編集アプリケーションに有用である。 本稿では,任意の学習された生成逆数ネットワークが与えられた潜在空間における解釈可能な方向を検出する枠組みを提案する。
  論文  参考訳（メタデータ） (2020-11-24T02:18:08Z)
• Retrieval Guided Unsupervised Multi-domain Image-to-Image Translation [59.73535607392732]
  画像から画像への変換は、ある視覚領域から別の領域へ画像を変換するマッピングを学ぶことを目的としている。 本稿では,画像から画像への変換作業を支援するための画像検索システムを提案する。
  論文  参考訳（メタデータ） (2020-08-11T20:11:53Z)

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。