使用合成图像训练分割网络时，GAN集成是否能带来更优性能？
计算机视觉与模式识别
2023-03-14 v2 图像与视频处理
摘要
训练分割网络需要大型标注数据集。在医学影像中，创建此类数据集通常困难、耗时且昂贵，且与其他研究者共享这些数据集也可能困难。当今不同的AI模型可生成非常逼真的合成图像，这些图像因不属于特定个人而有可能被公开共享。然而，近期工作表明，使用合成图像训练深度网络常导致比使用真实图像更差的性能。此处我们证明，使用来自20个GAN集成的合成图像与标注，而非单个GAN，在特定类别上将真实测试图像上的Dice分数提升了4.7%至14.0%。
引用
@article{arxiv.2211.04086,
title = {Does an ensemble of GANs lead to better performance when training segmentation networks with synthetic images?},
author = {Måns Larsson and Muhammad Usman Akbar and Anders Eklund},
journal= {arXiv preprint arXiv:2211.04086},
year = {2023}
}
备注
5 pages, submitted to ISBI 2023