用于建模多尺度歧义性的分层概率U-Net
计算机视觉与模式识别
2019-05-31 v1
摘要
医学成像仅间接测量每个体素内组织的分子特性，这常常对感兴趣的目标度量(如语义分割)仅产生模糊的图像证据。这种多样性与合理解释的变化通常特定于给定图像区域，并可能由此在各种尺度上显现，从像素级一直跨度到图像级。为学习一个能够解释多尺度变化的灵活分布，我们提出了分层概率U-Net，一种带有条件变分自编码器(cVAE)的分割网络，其采用分层潜空间分解。我们表明该模型公式化支持高保真度分割的采样与重建(即具有精细分辨的细节)，同时提供学习跨尺度复杂结构化分布的灵活性。我们在分割模糊医学扫描以及神经生物学与自然图像的实例分割任务上展示了这些能力。我们的模型自动分离跨尺度的独立因子，这是一种我们认为在分割之外的结构化输出预测任务中也有益的归纳偏置。
引用
@article{arxiv.1905.13077,
title = {A Hierarchical Probabilistic U-Net for Modeling Multi-Scale Ambiguities},
author = {Simon A. A. Kohl and Bernardino Romera-Paredes and Klaus H. Maier-Hein and Danilo Jimenez Rezende and S. M. Ali Eslami and Pushmeet Kohli and Andrew Zisserman and Olaf Ronneberger},
journal= {arXiv preprint arXiv:1905.13077},
year = {2019}
}
备注
25 pages, 15 figures