机构名称：
¥ 1.0
摘要。受到生成扩散模型学习语义有意义的表示的发现的启发，我们使用它们使用无监督的分割来发现生物医学3D图像中的Intrinsic层次结构。我们表明，从基于U-NET的梯子样结构的不同阶段的扩散模型的特征捕获了3D生物医学图像中不同的层次。我们设计了三个损失，以训练一个预示的无监督分段网络，该网络鼓励3D卷的分解为代表层次结构的有意义的嵌套子卷。首先，我们预先3D扩散模型，并使用其在跨体积的特征的同意。第二，我们使用亚参数之间的视觉固定性。第三，我们将不变性用作正规器的光度增强。我们的模型比以前无监督的结构发现方法更好，该方法在挑战生物学启发的合成数据集和现实世界中的脑肿瘤MRI数据集上的表现要好。代码可在github.com/uncbiag/diffusion-3d-discovery上找到。
在48V锂离子上详细的热表征...
主要关键词
相关文件推荐
