评估去噪扩散概率模型复现空间上下文的能力
图像与视频处理
2023-09-20 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
扩散模型已成为一类流行的深度生成模型(DGMs)。文献中声称，其中一类扩散模型——去噪扩散概率模型(DDPMs)——相较生成对抗网络(GANs)展现出更优的图像合成性能。迄今为止，这些声称要么使用为自然图像设计的基于集成的方法评估，要么使用如结构相似性之类的传统图像质量度量。然而，仍亟需理解DDPMs能在多大程度上可靠地学习医学成像领域相关信息，本文称之为“空间上下文”。为此，我们首次系统性地评估了DDPMs学习医学成像应用相关空间上下文的能力。研究的一个关键方面是使用随机上下文模型(SCMs)生成训练数据。由此，DDPMs可靠复现空间上下文的能力可通过事后图像分析定量评估。我们报告了DDPM生成集成中的错误率，并与一个现代GAN的对应错误率进行比较。研究揭示了关于DDPMs学习空间上下文能力的新且重要的见解。值得注意的是，结果表明DDPMs在生成训练样本之间“插值”的上下文正确图像方面具有显著能力，这可能以GAN无法实现的方式惠及数据增强任务。
引用
@article{arxiv.2309.10817,
title = {Assessing the capacity of a denoising diffusion probabilistic model to reproduce spatial context},
author = {Rucha Deshpande and Muzaffer Özbey and Hua Li and Mark A. Anastasio and Frank J. Brooks},
journal= {arXiv preprint arXiv:2309.10817},
year = {2023}
}
备注
This paper is under consideration at IEEE TMI