論文の概要: CleftGAN: Adapting A Style-Based Generative Adversarial Network To Create Images Depicting Cleft Lip Deformity

• arxiv url: http://arxiv.org/abs/2310.07969v1
• Date: Thu, 12 Oct 2023 01:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 13:34:24.325037
• Title: CleftGAN: Adapting A Style-Based Generative Adversarial Network To Create Images Depicting Cleft Lip Deformity
• Title（参考訳）: CleftGAN: 口唇の変形を捉えた画像を作成するために、スタイルベースで生成する敵対的ネットワークを適応
• Authors: Abdullah Hayajneh and Erchin Serpedin and Mohammad Shaqfeh and Graeme Glass and Mitchell A. Stotland
• Abstract要約: 深層学習に基づく口唇生成装置を構築し, 口唇のファクシミリを高精細度に表現した, ほぼ無限の人工画像を生成する。 我々は、StyleGAN-ADAの異なるバージョンをテストするトランスファー学習プロトコルを実行した。 様々な裂裂の変形を描写した訓練画像は、回転、スケーリング、色調整、背景のぼやけを調整するために前処理された。
• 参考スコア（独自算出の注目度）: 2.1647227058902336
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A major obstacle when attempting to train a machine learning system to evaluate facial clefts is the scarcity of large datasets of high-quality, ethics board-approved patient images. In response, we have built a deep learning-based cleft lip generator designed to produce an almost unlimited number of artificial images exhibiting high-fidelity facsimiles of cleft lip with wide variation. We undertook a transfer learning protocol testing different versions of StyleGAN-ADA (a generative adversarial network image generator incorporating adaptive data augmentation (ADA)) as the base model. Training images depicting a variety of cleft deformities were pre-processed to adjust for rotation, scaling, color adjustment and background blurring. The ADA modification of the primary algorithm permitted construction of our new generative model while requiring input of a relatively small number of training images. Adversarial training was carried out using 514 unique frontal photographs of cleft-affected faces to adapt a pre-trained model based on 70,000 normal faces. The Frechet Inception Distance (FID) was used to measure the similarity of the newly generated facial images to the cleft training dataset, while Perceptual Path Length (PPL) and the novel Divergence Index of Severity Histograms (DISH) measures were also used to assess the performance of the image generator that we dub CleftGAN. We found that StyleGAN3 with translation invariance (StyleGAN3-t) performed optimally as a base model. Generated images achieved a low FID reflecting a close similarity to our training input dataset of genuine cleft images. Low PPL and DISH measures reflected a smooth and semantically valid interpolation of images through the transfer learning process and a similar distribution of severity in the training and generated images, respectively.
• Abstract（参考訳）: 顔の裂け目を評価するために機械学習システムを訓練しようとする際の大きな障害は、高品質で倫理的に承認された患者画像のデータセットが不足していることである。 そこで我々は,多彩な口唇の高忠実度ファクシミリを呈するほぼ無限の人工画像を生成するように設計された深層学習型口唇生成装置を開発した。 ベースモデルとして,様々なバージョンのstylegan-ada(adaptive data augmentation(ada)を組み込んだ生成型adversarial network image generator)をテストした。 回転, スケーリング, 色調整, 背景のぼやきを調節するために, 様々な裂き目の画像の訓練を前処理した。 一次アルゴリズムのADA修正により、比較的少数の訓練画像の入力を必要としながら、新しい生成モデルの構築が可能となった。 健常者70,000名を対象に, 口蓋裂症例の正面写真514枚を用いて, 対人訓練を行った。 frechetインセプション距離(frechet inception distance, fid)は、新たに生成された顔画像と裂孔訓練データセットの類似度を測定し、知覚経路長(ppl)と新たな重心的ヒストグラムの発散指標(dish)を用いて、cleftganをダビングした画像生成器の性能評価を行った。 その結果,StyleGAN3は翻訳不変性(StyleGAN3-t)を基本モデルとして最適に動作した。 生成した画像は、実画像のトレーニング入力データセットと近い類似性を反映した低FIDを達成した。 低pplと食感尺度はそれぞれ、伝達学習過程を通じて画像の滑らかで意味的に有効な補間と、訓練画像と生成画像の重大度分布をそれぞれ反映する。

関連論文リスト

• Adversarial Masking Contrastive Learning for vein recognition [10.886119051977785]
  ベイン認識は、セキュリティとプライバシーの高さから注目を集めている。 静脈認識のために、畳み込みニューラルネットワーク(CNN)やトランスフォーマーのようなディープニューラルネットワークが導入されている。 近年の進歩にもかかわらず、画像サンプルの不足のため、指先の特徴抽出のための既存のソリューションはまだ最適ではない。
  論文  参考訳（メタデータ） (2024-01-16T03:09:45Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• 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)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Pose Manipulation with Identity Preservation [0.0]
  本稿では,文字適応性正規化GAN(CainGAN)を提案する。 CainGANは特定の個人から顔の数字を受け取り、その人物の身元を保存しながら新しい顔を生成する。 実験の結果, 生成画像の品質は, 推論時に使用する入力セットのサイズと一致していることがわかった。
  論文  参考訳（メタデータ） (2020-04-20T09:51:31Z)
• Training End-to-end Single Image Generators without GANs [27.393821783237186]
  AugurOneは、単一画像生成モデルをトレーニングするための新しいアプローチである。 提案手法は,入力画像の非アフィン強化を用いて,アップスケーリングニューラルネットワークを訓練する。 制御画像合成が可能なコンパクト潜在空間を共同で学習する。
  論文  参考訳（メタデータ） (2020-04-07T17:58:03Z)
• RADIOGAN: Deep Convolutional Conditional Generative adversarial Network To Generate PET Images [3.947298454012977]
  MIPポジトロン放射トモグラフィー画像(PET)を生成するための深層畳み込み条件生成対向ネットワークを提案する。 提案手法の利点は,1種類の病変に対して,小さな標本サイズで訓練した病変の異なるクラスを生成できるモデルから成り立っている。 また,画像評価ツールとして,潜伏空間を歩行できることを示す。
  論文  参考訳（メタデータ） (2020-03-19T10:14:40Z)
• Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
  顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。 提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。 実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:56:00Z)

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。