論文の概要: Generating Realistic X-ray Scattering Images Using Stable Diffusion and Human-in-the-loop Annotations

• arxiv url: http://arxiv.org/abs/2408.12720v1
• Date: Thu, 22 Aug 2024 20:23:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 16:38:31.584022
• Title: Generating Realistic X-ray Scattering Images Using Stable Diffusion and Human-in-the-loop Annotations
• Title（参考訳）: 安定拡散とHuman-in-the-loopアノテーションを用いた実写X線散乱画像の生成
• Authors: Zhuowen Zhao, Xiaoya Chong, Tanny Chavez, Alexander Hexemer,
• Abstract要約: 我々は、与えられたプロンプトから新しい科学的画像を生成するため、基礎的な安定拡散モデルを微調整した。 生成された画像のいくつかは重要な非現実的なアーティファクトを示しており、一般に「幻覚」として知られている。 非現実的な画像を検出するために、60%の人間が承認した画像と40%の実験画像からなるデータセットを用いて様々なコンピュータビジョンモデルを訓練した。
• 参考スコア（独自算出の注目度）: 42.47750355293256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We fine-tuned a foundational stable diffusion model using X-ray scattering images and their corresponding descriptions to generate new scientific images from given prompts. However, some of the generated images exhibit significant unrealistic artifacts, commonly known as "hallucinations". To address this issue, we trained various computer vision models on a dataset composed of 60% human-approved generated images and 40% experimental images to detect unrealistic images. The classified images were then reviewed and corrected by human experts, and subsequently used to further refine the classifiers in next rounds of training and inference. Our evaluations demonstrate the feasibility of generating high-fidelity, domain-specific images using a fine-tuned diffusion model. We anticipate that generative AI will play a crucial role in enhancing data augmentation and driving the development of digital twins in scientific research facilities.
• Abstract（参考訳）: 我々は、X線散乱画像とその対応する記述を用いて基礎的な安定拡散モデルを微調整し、与えられたプロンプトから新しい科学的画像を生成する。 しかし、生成された画像のいくつかは重要な非現実的な人工物を示しており、一般に「幻覚」として知られている。 この問題に対処するために、人間の承認した画像の60%と実験画像の40%からなるデータセットを用いて様々なコンピュータビジョンモデルを訓練し、非現実的な画像を検出する。 分類された画像は、人間の専門家によってレビューされ、修正され、次に訓練と推論のラウンドで分類器をさらに洗練するために使用された。 本評価は,細調整拡散モデルを用いて高忠実な領域固有画像を生成する可能性を示す。 我々は、生成AIが、データ強化と、科学研究施設におけるデジタルツインの開発を促進する上で、重要な役割を果たすことを期待する。

関連論文リスト

• Characterizing Photorealism and Artifacts in Diffusion Model-Generated Images [13.097947037585671]
  フォトリアリスティックなAI生成画像によるメディアへの公衆信頼の課題を考慮し,人間の検出精度を測定する大規模な実験を行った。 私たちは、シーンの複雑さ、画像内のアーティファクトタイプ、画像の表示時間、AI生成画像の人間のキュレーションが、人々がAI生成画像と現実を正確に区別する上で重要な役割を担っていることに気付きました。
  論文  参考訳（メタデータ） (2025-02-17T16:28:15Z)
• Enhancing Fetal Plane Classification Accuracy with Data Augmentation Using Diffusion Models [4.463474240520404]
  高品質なアノテート超音波画像の入手は限られており、機械学習モデルの訓練が制限されている。 本稿では, 胎児平面分類の性能向上のために, 拡散モデルを用いて合成超音波画像を生成する手法について検討する。
  論文  参考訳（メタデータ） (2025-01-25T15:33:13Z)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 そして、学習したアーティファクト検出器を第2段階に巻き込み、各画像に画素ごとの信頼マップを割り当てて拡散モデルをチューニングする。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• Let Real Images be as a Judger, Spotting Fake Images Synthesized with Generative Models [16.900526163168827]
  異なる生成モデルにより合成された偽画像のアーティファクトパターンについて検討した。 本稿では,実画像でのみ共有される自然なトレースを,検出器内の新たな予測対象として採用する。 提案手法では,96.1%のmAPがベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2024-03-25T07:58:58Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• Trade-offs in Fine-tuned Diffusion Models Between Accuracy and Interpretability [5.865936619867771]
  生成拡散モデルにおける従来の計測値とモデル解釈可能性による画像の忠実度との間に連続的なトレードオフが生じる。 我々は、真に解釈可能な生成モデルを開発するための設計原則のセットを提示する。
  論文  参考訳（メタデータ） (2023-03-31T09:11:26Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• RoentGen: Vision-Language Foundation Model for Chest X-ray Generation [7.618389245539657]
  我々は,胸部X線のコーパスに事前学習した潜伏拡散モデルを適用することで,大きな自然医学的分布変化を克服する戦略を開発する。 テキストプロンプトに条件付された高忠実で多様な合成CXRを生成するモデルの能力について検討する。 得られたモデル(RoentGen)が視覚的に説得力があり多様な合成CXR画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-11-23T06:58:09Z)

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。