一种用于多样化 X 射线图像合成的自注意力引导多尺度梯度 GAN
图像与视频处理
2022-11-15 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
不平衡的图像数据集在生物医学图像分析领域很常见。生物医学图像包含对预测目标疾病具有重要意义的多样化特征。生成对抗网络（GANs）被用于通过生成合成图像来解决数据局限问题。模式崩溃、不收敛和不稳定等训练挑战会降低 GAN 在合成多样化和高质量图像方面的性能。在这项工作中，提出 MSG-SAGAN，一种注意力引导的多尺度梯度 GAN 架构，用于建模生物医学图像特征长程依赖之间的关系，并利用生成器和判别器模型各层中多分辨率的多尺度梯度流来改进训练性能。意图是通过带多尺度梯度学习的注意力机制减少模式崩溃的影响并稳定 GAN 的训练，以用于多样化 X 射线图像合成。多尺度结构相似性指数（MS-SSIM）和 Frechet Inception Distance（FID）被用于识别模式崩溃的发生并评估生成合成图像的多样性。所提架构与多尺度梯度 GAN（MSG-GAN）进行比较以评估生成合成图像的多样性。结果表明，如 MS-SSIM 和 FID 分数所证明，MSG-SAGAN 在合成多样化图像方面优于 MSG-GAN。
引用
@article{arxiv.2210.06334,
title = {A Self-attention Guided Multi-scale Gradient GAN for Diversified X-ray Image Synthesis},
author = {Muhammad Muneeb Saad and Mubashir Husain Rehmani and Ruairi O'Reilly},
journal= {arXiv preprint arXiv:2210.06334},
year = {2022}
}
备注
Accepted in AICS-2022 Conference