XiaoMi-AI文件搜索系统
World File Search SystemCyclegan
使用 CycleGAN 将 CT 图像转换为 MRI
摘要：医学成像在医疗保健中起着至关重要的作用，其中磁共振成像 (MRI) 和计算机断层扫描 (CT) 是主要模式，每种模式都有其独特的优点和缺点。MRI 提供出色的软组织对比度，但速度慢且成本高，而 CT 速度更快但涉及电离辐射。为了解决这一矛盾，我们利用深度学习，采用 CycleGAN 将 CT 扫描转换为类似 MRI 的图像。这种方法消除了额外的辐射暴露或成本。我们的结果显示了我们的图像转换方法的有效性，MAE 为 0.5309，MSE 为 0.37901，PSNR 为 52.344，证明了本发明在降低医疗保健成本、扩展诊断能力和改善患者结果方面的前景。该模型在 Nvidia GPU RTX A6OOO 上训练了 500 个时期，批次大小为 500。
使用生成对抗的自定义服装生成...
钦奈印度大学摘要：在本文中，我们建议将Cyclegan用于定制服装生成。Cyclegan是一种生成对抗网络（GAN），可以学习从一个域将图像映射到另一个域而不需要配对的训练数据。我们的目标是根据来自其他源域的现有图像生成新的，逼真的图像。我们提出了一种新颖的方法，该方法将Cyclean和使用一小部分配对数据结合在一起。我们的方法能够生成既现实又具有视觉吸引力的自定义服装，并具有高质量的细节和纹理。我们使用服装数据集评估了我们的方法，并证明它在图像质量和视觉相似性方面表现优于其他最先进的方法。索引条款 - Cyclean，Gan。
Cong Hung Mai、Ryohei Nakatsu、Naoko Tosa。通过人工智能开发日本花道作为数字绘画工具。第 19 届国际娱乐计算会议 (ICEC)，2020 年 11 月，中国西安。第 297-307 页，�10.1007/978-3-030-65736-9_27�。�hal-03686042�
摘要。在本研究中，我们进行了各种实验，在插花（日本传统插花）照片领域和其他图像领域（风景、动物、肖像）之间进行相互转换，通过 CycleGAN（GAN（生成对抗网络）的一种变体）创建新的艺术作品，CycleGAN 是一种新的人工智能技术，可以用更少的训练数据进行深度学习。利用 CycleGAN 实现两个图像集之间的转换，我们获得了一些有趣的结果，其中由于日本文化形式的灵活性和简约性，插花扮演着数字绘画工具的角色。我们的实验表明，借助 CycleGAN，插花可以发展为数字艺术中的绘画工具，并开辟了一条通过将人工智能技术应用于传统文化元素来创作高抽象水平的数字艺术作品的新方法。
放射科医生需要知道的
摘要：医学成像中深度学习的快速发展显着增强了人工智能的能力，同时引入了挑战，包括需要大量培训数据以及标记和分割的劳动密集型任务。生成的对抗网络（GAN）已作为解决方案出现，为数据增强提供合成图像生成，并通过CGAN，Cyclegan和StyleGan等模型来简化医疗图像处理任务。这些创新不仅提高了图像增强，重建和分割的效率，而且还为无监督的异常检测铺平了道路，从而显着降低了对标记数据集的依赖。我们对医学成像中GAN的调查涉及其各种体系结构，选择适当的GAN模型的考虑以及模型培训和绩效评估的细微差别。本文旨在为盖恩技术新手提供透彻理解的放射科医生，通过使用Cyclegan和Pixel2Style2pixel（PSP）commbined styleth的样式进行两个说明性示例，通过对脑成像中的gans进行实际应用和评估。它对医学成像研究中gan的变革潜力进行了全面的探索。最终，本文努力使放射科医生提供有效利用gan的知识，从而鼓励该领域的进一步研究和应用。
使用经过扩散MRI训练的卷积神经网络的脑年龄分析和痴呆分类：印度和北美队列的测试
摘要 - 基于卷积神经网络（CNN）的深度学习模型已用于对阿尔茨海默氏病进行分类或从T1加权大脑MRI扫描中推断痴呆症的严重程度。在这里，我们研究了添加扩散加权MRI（DMRI）作为这些模型的输入的值。在这一领域进行了许多研究，重点介绍了特定数据集，例如阿尔茨海默氏病神经影像学计划（ADNI），该计划评估了北美人（主要是欧洲血统）的人，因此我们研究了对ADNI培训的模型，该模型如何推广到来自印度（Nimhans Cohort）的新人口数据集。我们首先通过预测“大脑时代”来基准我们的模型 - 从其MRI扫描中预测一个人的年龄并继续进行广告分类的任务。我们还评估了在训练CNN模型之前使用3D CycleGAN方法来协调成像数据集的好处。我们的实验表明，在大多数情况下，在协调后的分类性能会提高，并且DMRI作为输入的性能更好。
评估模拟物理条件的图像到图像翻译技术
摘要 - 交通迹象对于向驾驶员提供重要信息，确保其安全并帮助他们遵守道路规则至关重要。对象检测算法（例如您只看一次（YOLO））在自动驾驶汽车中使用来监视交通标志信息。但是，大多数对象检测研究都集中在识别交通标志而不是其身体状况上。现有数据集的一个主要问题是缺乏有关培训损坏的流量标志的数据，这可能会对对象检测算法的性能产生不利影响。为了解决这个问题，我们的论文全面审查了图像到图像（I2i）算法，以修改现有的流量标志图像以展示不同的身份状态（正常和损坏）。我们使用最先进的图像式图像翻译技术，UNET视觉变压器周期符合生成对抗网络（UVCGAN）V2和能量引导的随机微分方程（EGSDE）进行实验进行实验。使用Fréchet成立距离（FID）和并排图像比较评估我们的实验结果。我们分析并讨论可能的和未来的改进。关键字 - 流量标志检测，图像生成，图像 - to-Image（I2i），生成对抗网络（GAN），循环生成对抗网络（Cyclegan），扩散模型
固定和石蜡包埋的新鲜脑组织染色......
术中组织学对于手术指导和决策至关重要。然而，冷冻切片苏木精和伊红 (H&E) 染色的准确性较低，而金标准福尔马林固定石蜡包埋 (FFPE) H&E 染色时间过长，不适合术中使用。受激拉曼散射 (SRS) 显微镜已显示出具有脂质/蛋白质对比的脑组织学快速组织学，但很难产生与病理学家可解释的基于核酸/蛋白质的 FFPE 染色相同的图像。在这里，我们报告了一种半监督受激拉曼 CycleGAN 模型的开发，该模型使用未配对的训练数据将新鲜组织 SRS 图像转换为 H&E 染色。在 3 分钟内，可以生成与真实 H&E 完美匹配的受激拉曼虚拟组织学 (SRVH) 结果。盲检结果表明，经认证的神经病理学家能够在 SRVH 上区分人类神经胶质瘤的组织学亚型，但在常规 SRS 图像上却很难区分。SRVH 可提供比冷冻 H&E 更好的术中诊断，速度和准确性都更高，可扩展至其他类型的实体肿瘤。
探索生物和人工神经网络在建筑环境中的交叉点，并研究支持设计过程演进的算法
摘要。本篇评论探讨了神经网络与建筑之间的关系，特别是在外观设计、室内设计和建筑施工领域。它研究了两种类型的神经网络：生物神经网络，代表人类大脑的神经系统；人工智能，受大脑结构和功能启发的计算系统。本研究对这些神经网络及其在各个领域的应用进行了描述性概述。它进一步研究了这些网络如何在不同层面与建筑相结合。该研究强调了“神经架构”的概念，它将人工神经网络 (ANN) 与建筑相结合，以产生多种设计可能性并揭示隐藏的模式。ANN 用于创建智能建筑和优化结构设计流程以降低成本。此外，该研究还探索了“神经架构”，它探索了生物神经网络 (BNN) 与建筑的相互作用，重点关注建筑环境对大脑和行为的影响。它结合了神经科学、建筑和环境心理学的原理。案例研究分析表明，“pix2pix”、GCNN、DCGAN、CycleGAN 和 StyleGAN 等 AI 工具在通过融合传统和现代风格以及增强创作过程来实现建筑设计的现代化方面的重要性。
使用摄像机生快照有效的视觉计算
摘要 - 常规摄像机在传感器上捕获图像辐照度（RAW），并使用图像信号处理器（ISP）将其转换为RGB图像。然后可以将图像用于各种应用中的摄影或视觉计算任务，例如公共安全监视和自动驾驶。可以说，由于原始图像包含所有捕获的信息，因此对于视觉计算而言，使用ISP不需要将RAW转换为RGB。在本文中，我们提出了一个新颖的ρ视框框架，以使用原始图像进行高水平的语义理解和低级压缩，而没有数十年来使用的ISP子系统。考虑到可用的原始图像数据集的稀缺性，我们首先开发了一个基于无监督的Cyclegan的不成对循环2R网络，以使用未配对的RAW和RGB图像来训练模块化的ISP和Inverse ISP（Invisp）模型。然后，我们可以使用任何最初在RGB域中训练的现有RGB图像数据集和Finune不同的模型来生成模拟的原始图像（SIMRAW），以处理现实世界中的相机原始图像。我们使用原始域yolov3和摄像头快照上的原始图像压缩机（RIC）演示了原始域中的对象检测和图像压缩功能。定量结果表明，与RGB域相比，原始域任务推断提供了更好的检测准确性和压缩效率。此外，所提出的ρVision在各种摄像机传感器和不同的任务特定模型上概括了。采用ρ视频的另外一种有益的是消除对ISP的需求，从而导致计算和处理时间的潜在减少。
使用多阶段 Attention-GAN 进行高组织对比度 MRI 合成以进行胶质瘤分割
磁共振成像 (MRI) 基于强磁场提供内脏器官的不同组织对比度图像。尽管 MRI 在频繁成像方面具有非侵入性优势，但目标区域中的低对比度 MRI 图像使组织分割成为一个具有挑战性的问题。本文展示了图像到图像转换技术生成合成高组织对比度 (HTC) 图像的潜在优势。值得注意的是，我们采用了一种具有注意机制的新型循环生成对抗网络 (CycleGAN) 来增加底层组织内的对比度。注意力模块以及对 HTC 图像的训练引导我们的模型收敛到某些组织。为了提高 HTC 图像的分辨率，我们采用多阶段架构将焦点集中在一种特定组织作为前景，并在每个阶段滤除不相关的背景。这种多阶段结构还通过减小源域和目标域之间的差距来减轻合成图像的常见伪影。我们展示了我们的方法在脑部 MRI 扫描（包括胶质瘤）中合成 HTC 图像的应用。我们还在端到端和两阶段分割结构中使用 HTC MRI 图像来确认这些图像的有效性。在 BraTS 2018 数据集上对三个竞争性分割基线进行的实验表明，将合成的 HTC 图像纳入多模态分割框架中可分别将整个肿瘤、肿瘤核心和增强肿瘤的平均 Dice 得分提高 0.8%、0.6% 和 0.5%，同时从分割过程中消除了一个真实的 MRI 序列。