单像元细胞启动的生物体：Generative Cellular Automata 用于高分辨率图像合成

生成模型旨在逼近真实数据的统计特性，从而合成与原始分布高度相似的新数据。生成对抗网络 (GAN) 和去噪扩散概率模型 (DDPM) 代表了生成模型的重要进展，分别受益于博弈论与热力学学派。然而，仍大大未探索通过生物学进化视角来进行生成建模。在本文中，我们引入一种新型模型族，称为生成细胞自动机 (GeCA)，灵感来自生物体从单细胞演化为过程。GeCA 被评估为视网膜疾病分类的有效数据增强工具，涵盖两种影像模态：眼底图与光学相干断层扫描 (OCT)。在 OCT 影像场景中，数据稀缺且类别分布本身偏斜，GeCA 显著提升了 11 种不同眼科疾病的性能，平均 F1 分数相较于常规基线提升约 12%。在相同参数约束下，GeCA 在包含 UNet 或基于转换器的去噪模型的扩散方法中表现更优。代码已公开：https://github.com/xmed-lab/GeCA。