Fugu-MT 論文翻訳(概要): SegDiff: Image Segmentation with Diffusion Probabilistic Models

論文の概要: SegDiff: Image Segmentation with Diffusion Probabilistic Models

arxiv url: http://arxiv.org/abs/2112.00390v1
Date: Wed, 1 Dec 2021 10:17:25 GMT
ステータス: 処理完了
システム内更新日: 2021-12-02 22:48:18.666037
Title: SegDiff: Image Segmentation with Diffusion Probabilistic Models
Title（参考訳）: SegDiff:拡散確率モデルによる画像分割
Authors: Tomer Amit, Eliya Nachmani, Tal Shaharbany, Lior Wolf
Abstract要約: 拡散確率法は最先端の画像生成に使用される。画像分割を行うためにそのようなモデルを拡張する方法を提案する。この方法は、トレーニング済みのバックボーンに頼ることなく、エンドツーエンドで学習する。
参考スコア（独自算出の注目度）: 81.16986859755038
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diffusion Probabilistic Methods are employed for state-of-the-art image generation. In this work, we present a method for extending such models for performing image segmentation. The method learns end-to-end, without relying on a pre-trained backbone. The information in the input image and in the current estimation of the segmentation map is merged by summing the output of two encoders. Additional encoding layers and a decoder are then used to iteratively refine the segmentation map using a diffusion model. Since the diffusion model is probabilistic, it is applied multiple times and the results are merged into a final segmentation map. The new method obtains state-of-the-art results on the Cityscapes validation set, the Vaihingen building segmentation benchmark, and the MoNuSeg dataset.
Abstract（参考訳）: 拡散確率法は最先端の画像生成に使用される。本研究では,画像分割を行うためのモデルを拡張する手法を提案する。このメソッドは、事前トレーニングされたバックボーンに頼ることなく、エンドツーエンドで学習する。 2つのエンコーダの出力を合計することにより、入力画像中の情報と分割マップの現在の推定とをマージする。付加的な符号化層とデコーダを使用して拡散モデルを用いて分割写像を反復的に洗練する。拡散モデルは確率的であるため、複数回適用され、結果が最終的なセグメンテーションマップにマージされる。新しい手法は、Cityscapes検証セット、Vayhingenビルディングセグメンテーションベンチマーク、MoNuSegデータセットの最先端結果を取得する。

関連論文リスト

HiDiff: Hybrid Diffusion Framework for Medical Image Segmentation [16.906987804797975]
HiDiffは医療画像セグメンテーションのためのハイブリッド拡散フレームワークである。既存の識別的セグメンテーションモデルと新しい生成的拡散モデルの強みを相乗化することができる。小さなオブジェクトをセグメンテーションし、新しいデータセットに一般化する。
論文参考訳（メタデータ） (2024-07-03T23:59:09Z)
Zero-Shot Image Segmentation via Recursive Normalized Cut on Diffusion Features [62.63481844384229]
ファンデーションモデルは、言語、ビジョン、マルチモーダルタスクなど、さまざまな領域にまたがる強力なツールとして登場した。本稿では,拡散UNetエンコーダを基礎ビジョンエンコーダとして使用し,教師なしゼロショットセグメンテーション手法であるDiffCutを紹介する。我々の研究は、拡散UNetエンコーダに埋め込まれた極めて正確なセマンティック知識を強調し、下流タスクの基盤ビジョンエンコーダとして機能する。
論文参考訳（メタデータ） (2024-06-05T01:32:31Z)
EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
論文参考訳（メタデータ） (2024-01-22T07:34:06Z)
SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process [102.18226145874007]
そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。 SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
論文参考訳（メタデータ） (2023-12-19T18:53:47Z)
Dataset Diffusion: Diffusion-based Synthetic Dataset Generation for Pixel-Level Semantic Segmentation [6.82236459614491]
テキストから画像への生成モデルであるStable Diffusionを用いて,ピクセルレベルのセマンティックセマンティックセマンティクスラベルを生成する手法を提案する。テキストプロンプト,クロスアテンション,SDの自己アテンションを活用することで,クラスプロンプト付加,クラスプロンプト横断アテンション,自己アテンション指数の3つの新しい手法を導入する。これらの手法により合成画像に対応するセグメンテーションマップを生成することができる。
論文参考訳（メタデータ） (2023-09-25T17:19:26Z)
DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion Models [61.906934570771256]
多様な合成画像や知覚アノテーションを生成できる汎用データセット生成モデルを提案する。本手法は,事前学習した拡散モデルに基づいて,テキスト誘導画像合成を知覚データ生成に拡張する。拡散モデルのリッチ潜時コードはデコーダモジュールを用いて正確な認識アノテーションとして効果的に復号できることを示す。
論文参考訳（メタデータ） (2023-08-11T14:38:11Z)
Stochastic Segmentation with Conditional Categorical Diffusion Models [3.8168879948759953]
Denoising Diffusion Probabilistic Models に基づくセマンティックセグメンテーションのための条件カテゴリー拡散モデル(CCDM)を提案する。以上の結果から,CCDMはLIDC上での最先端性能を実現し,従来のセグメンテーションデータセットであるCityscapesのベースラインよりも優れていた。
論文参考訳（メタデータ） (2023-03-15T19:16:47Z)
Variational multichannel multiclass segmentation using unsupervised lifting with CNNs [0.0]
与えられた画像をK$の異なる領域に分割するフレキシブルなマルチクラスセグメンテーション手法を実装した。画像の事前分解を目的とした畳み込みニューラルネットワーク(CNN)を用いる。セグメンテーションの出発点となる情報的特徴写像の抽出に特に重点を置いている。
論文参考訳（メタデータ） (2023-02-04T18:01:47Z)
Diffusion Models for Implicit Image Segmentation Ensembles [1.444701913511243]
拡散モデルに基づく新しいセマンティックセグメンテーション手法を提案する。トレーニングとサンプリングの手法を改良することにより,拡散モデルが医用画像の病変分割を行うことができることを示す。最先端セグメンテーションモデルと比較して,本手法は良好なセグメンテーション結果と有意義な不確実性マップが得られる。
論文参考訳（メタデータ） (2021-12-06T16:28:15Z)
BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
論文参考訳（メタデータ） (2021-05-25T04:58:51Z)

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。