XiaoMi-AI文件搜索系统
World File Search SystemSSIM
基于生成对抗的艺术风格转换
摘要。由于人工智能（AI）的持续增长，艺术风格的转型已成为一个高度关注的研究领域。它旨在将一种艺术风格应用于另一种艺术风格，并以新风格产生艺术品。目前，生成对抗网络（GAN）和计算机辅助设计（CAD）技术已成为艺术风格转换研究的两种重要方法。本文旨在探讨GAN和CAD技术在艺术风格转型研究中的应用。在文章中，选择了一系列不同类型的艺术作品，包括绘画，雕塑和建筑，使用GAN和CAD技术进行样式转换。通过对结果的分析和比较，发现GAN模型的成立得分（IS）基本上稳定在90％以上，而艺术图像之间的结构相似性指数（SSIM）约为0.957。此外，艺术家对产生艺术作品的评级很高，并且通过使用GAN模型通过样式转换产生的图像在视觉效果，创造力和艺术价值方面已得到了艺术家的认可和赞赏。这进一步证明了GAN模型在艺术风格转型中的有效性和优势。
伪相互注视可增强远程联合注意力任务中的脑间同步
图 4 凝视运动。 (a) 三种模式下参与者目光注视的示例。屏幕上显示 16 个字母数字字符，由 4×4 矩阵表示。每次试验在 16 个字符中有一个、三个或五个目标与声音呈现的单词相匹配。在单人模式下，屏幕上显示的红色圆圈表示参与者的注视点。在合作和竞争模式下，屏幕上两位参与者的注视点以红色和绿色圆圈区分。 (b) 单次试验中观察到的参与者扫描路径和注视热图的示例。虚线框在实验期间不可见，标记了目标的位置。请注意，观察者的注视点在实验期间不可见。 (c) 40 次试验的注视热图。 (d) 两位参与者眼动追踪热图之间的相似性。每个小提琴图（透明色）上都叠加了一个箱线图，显示了相似性度量的分布，包括单一、合作和竞争模式下的 Pearson's r、结构相似性指数度量 (SSIM) 和 Jaccard 相似性系数。黑色星号和线分别表示相似性的平均值和中位数。使用重复测量方差分析确定任务模式之间相似性的显著差异。
使用重复卷积方法
图像介绍是一种有前途但具有挑战性的方法，它填充了图像中巨大的自由形式空白区域。最近的大多数论文都集中于将蒙面的图像分成2个有效和无效元素的矩阵，从而使系统更加复杂。本文提出了一种名为Reconv的新型算法，该算法使用重复的标准卷积操作，该操作以相同的方式处理图像的有效元素和无效元素。我们建议的方法的结果重新配置，表明，与较早的方法相比，我们的系统产生的输出更适合于现实世界应用。在药物和酒精成瘾治疗和研究的背景下，该技术提供了几种独特而新兴的应用，例如治疗性视觉刺激修饰。介绍技术可以填补与成瘾相关图像中缺少的数据，例如损坏的MRI扫描或不完整的调查响应，从而增强了成瘾研究中使用的机器学习模型的预测能力。对两种数据集类型的广泛比较研究验证了我们的方法。使用PSNR，SSIM和FID等不同措施评估了建议策略的有效性。结果表明，与现有的现代方法相比，我们建议的方法在性能方面表现出色。
TIC：使用条件生成模型
抽象图像着色是计算机视觉中的一个众所周知的问题。但是，由于任务的不良性质，图像着色本质上是具有挑战性的。尽管研究人员已经尝试了几次尝试使着色管道自动化，但由于缺乏调理，这些过程通常会产生不切实际的结果。在这项工作中，我们试图将文本描述与要着色的灰度图像一起集成为辅助条件，以提高着色过程的保真度。据我们所知，这是将文本条件纳入着色管道中的首次尝试之一。为此，已经提出了一个新颖的深网，该网络采用了两个输入（灰度图像和各自的编码文本描述），并尝试预测相关的颜色范围。由于各自的文本描述包含场景中存在的对象的颜色信息，因此文本编码有助于提高预测颜色的整体质量。已使用SSIM，PSNR，LPISP（分别达到0.917，23.27,0.223）评估了所提出的模型。这些定量指标表明，在大多数情况下，提出的方法优于SOTA技术。
privateEye：通过光学特征分离
我们解决了在应用程序中捕获的图像（相机）捕获到云的应用程序中的隐私问题，以推断出诸如分类之类的实用程序任务。将原始图像发送到云中，使它们暴露于数据嗅探，并被不受信任的第三方服务提供商滥用，超出了用户的预期任务。我们提出了一个编码方案，该方案不仅可以直接远程视觉检查到图像或图像重建，还可以防止确定敏感信息。与常用的对抗性学习方法不同，所提出的方法是两个方面：首先，它使用衍射光学神经网络将与光学域中传感器平面上不同任务相对应的空间分开。然后只读取与实用程序任务区域相对应的像素。此编码可确保绝不会将私人功能存储在边缘设备上，从而防止隐私泄漏。所提出的方法成功地减少了二进制任务中的隐私检索，其准确性损失最小（约2％），同时将私人任务准确性降低了约35％，并防止SSIM得分为0的重建攻击。43。
伪计算机断层扫描图像产生大脑...
相对于计算机断层扫描（CT），磁共振成像（MRI）的软组织对比增加使其成为决定放射治疗（RT）的合适成像方法。当将MRI扫描用于治疗计划时，剂量计算和基于X射线的患者位置仍然需要CT扫描。这增加了工作量，由于图像注册间模式的必要条件，因此导致了不必要的，并且需要不必要的辐射。即使仅使用MR图像是有利的，但必须使用一种估计伪CT（PCT）的方式来生成电子密度映射和患者参考图像。因此，本文带来了一个有效的深度学习模型，可以使用以下步骤从MRI图像中生成合成的CT； a）在收集了CT和MRI扫描图像的数据中，b）使用图像进行预处理，以避免使用诸如Outier Emplier Empliering，数据平滑和数据归一化的技术避免异常和噪声，C）使用原理组件分析（PCA）和回归方法进行特征提取和选择，DCN和DCN（DCN）（DCN）（dcn）（dcn）（dcn）（dc）。此外，我们为此模型评估了DC，SSIM，MAE和MSE等指标。但是，我们建议的模型的精度为95％。关键字
一种基于生成对抗网络的新型脑肿瘤自动分割方法
摘要：背景：由于医学图片的密度，医学图像分割比普通图像分割更复杂且要求更高。脑肿瘤是导致高死亡率的最常见原因。目的：由于肿瘤细胞和非肿瘤细胞之间的差异，肿瘤细胞的提取特别困难。在普通的卷积神经网络中，局部背景信息受到限制。因此，以前的医学成像深度学习算法一直难以检测不同细胞中的异常。方法：为了解决这一挑战，提出了一种用于从脑磁共振成像 (MRI) 图像中分割肿瘤的深度卷积生成对抗网络。生成器和鉴别器是构成所提模型的两个网络。该网络专注于肿瘤定位、噪声相关问题和社会阶层差异。结果：骰子得分系数 (DSC)、峰值信噪比 (PSNR) 和结构指数相似度 (SSIM) 分别为 0.894、62.084 dB 和 0.88912。该模型的准确率提高到 97%，损失降低到 0.012。结论：实验表明，该方法可以成功分割肿瘤和良性组织。因此，创建了一种新颖的脑肿瘤分割方法。
ShuffleUNet：扩散加权 MRI 的超分辨率......
摘要 — 扩散加权磁共振成像 (DW-MRI) 可用于表征神经组织的微观结构，例如通过纤维追踪以非侵入性方式描绘脑白质连接。高空间分辨率的磁共振成像 (MRI) 将在以更好的方式可视化此类纤维束方面发挥重要作用。然而，获得这种分辨率的图像是以更长的扫描时间为代价的。由于患者的心理和身体状况，较长的扫描时间可能与运动伪影的增加有关。单图像超分辨率 (SISR) 是一种旨在从单个低分辨率 (LR) 输入图像中获得高分辨率 (HR) 细节的技术，通过深度学习实现，是本研究的重点。与插值技术或稀疏编码算法相比，深度学习从大数据集中提取先验知识并从低分辨率对应物中生成优质的 MRI 图像。在这项研究中，提出了一种基于深度学习的超分辨率技术，并已应用于 DW-MRI。 IXI 数据集中的图像已被用作地面实况，并被人工下采样以模拟低分辨率图像。所提出的方法在统计上比基线有显著的改进，并实现了 0.913±0.045 的 SSIM。索引术语 — 超分辨率、深度学习、DWI、DTI、MRI
基于深CNN方法的MR脑图像中的有效肿瘤检测：i-Yolov5
摘要随着计算机技术的出现，人工智能（AI）有助于放射科医生诊断脑肿瘤（BT）。可以在医疗保健中提高疾病的早期发现导致进一步的治疗，其中典型的AI系统应用在时间和节省的方面发挥了至关重要的作用。磁共振（MR）图像通过图像增强技术增强，以改善对比度和颜色的效果。此外，对于BT的几种类型的MR成像问题，传统方法是无偿的。深度学习技术可以扩展，以帮助克服常规肿瘤检测中遇到的常见问题。因此，在这项工作中，已经提出了基于MR图像的BT检测的即兴Yolov5技术。最终，使用混合网格搜索优化器算法（HGSOA）应用高参数优化（HPO）的想法，以增强拟议深神经网络中超级参数的肿瘤检测性能。为了评估提出的模型的有效性，麦卡洛克的算法rithm用于定位肿瘤区域分割的图像，并且还使用真实注释的图像检查了分割结果。使用MW脑测试图像进行了各种实验，以测量提出的微调模型的准确性。最后，将分类指标与现有的最新技术进行比较，包括MSE，PSNR，SSIM，FSIM和CPU时间，以证明所提出的模型的有效性。在MRI-BT的分类学中，CNN实现了更大的精确性。
![arXiv:2203.06920v1 [eess.IV] 2022 年 3 月 14 日](/simg/g:\will\search\icon\source\5\55b10f8fb30cfe0fb37b03ec3e76d3482798b9b1.webp)
arXiv:2203.06920v1 [eess.IV] 2022 年 3 月 14 日
摘要：增强 T1 (T1ce) 是诊断和分析脑肿瘤（尤其是神经胶质瘤）最重要的磁共振成像 (MRI) 模式之一。在临床实践中，常见的 MRI 模式（例如 T1、T2 和液体衰减反转恢复）相对容易获取，而考虑到额外的成本和对造影剂过敏的潜在风险，T1ce 更具挑战性。因此，开发一种从其他常见模式合成 T1ce 的方法具有重要的临床意义。当前的配对图像转换方法通常存在需要大量配对数据并且在合成过程中不关注特定感兴趣的区域（例如肿瘤区域）的问题。为了解决这些问题，我们提出了一个难度感知共同的半监督多模态 MRI 合成网络（DS 3 -Net），涉及配对和非配对数据以及双层知识提炼。DS 3 -Net 预测难度图以逐步促进合成任务。具体而言，像素约束和块状对比约束由预测的难度图指导。通过对公开的 BraTS2020 数据集进行大量实验，DS 3 -Net 在各个方面都优于其监督对应者。此外，仅使用 5% 的配对数据，所提出的 DS 3 -Net 实现了与利用 100% 配对数据的最先进的图像转换方法相媲美的性能，提供 0.8947 的平均 SSIM 和 23.60 的平均 PSNR。源代码位于https://github.com/Huangziqi777/DS-3_Net。