用于生成逼真全标注显微镜图像数据集的去噪扩散概率模型
图像与视频处理
2023-08-09 v2 计算机视觉与模式识别
机器学习
摘要
计算机视觉的最新进展推动了逼真图像数据生成的显著进步，其中去噪扩散概率模型被证明是一种特别有效的方法。在本研究中，我们展示了扩散模型能够通过一种无监督且直观的方法有效生成全标注显微镜图像数据集，该方法以所需结构的粗略草图作为起点。所提出的流程有助于在训练基于深度学习的分割方法时减少对人工标注的依赖，并使得无需人工标注即可分割多样化数据集。正如我们在涉及不同生物体和细胞类型的多个实际实验示例中所展示的，该方法在简化数据生成流程以及实现更高效、可扩展的分割模型训练方面具有巨大前景。
引用
@article{arxiv.2301.10227,
title = {Denoising Diffusion Probabilistic Models for Generation of Realistic Fully-Annotated Microscopy Image Data Sets},
author = {Dennis Eschweiler and Rüveyda Yilmaz and Matisse Baumann and Ina Laube and Rijo Roy and Abin Jose and Daniel Brückner and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2301.10227},
year = {2023}
}
备注
9 pages, 2 figures