GLOWin：一种基于流的 invertible 生成框架，用于学习医学图像中的解耦特征表示
计算机视觉与模式识别
2021-03-22 v1
摘要
解耦表示在许多下游任务中很有用，有助于使深度学习模型更具可解释性，并允许对合成生成图像的特征进行控制，这些特征可用于训练需要大量有标签或无标签数据的其他模型。近来，基于流的生成模型被提出，通过可逆函数直接建模数据分布以生成逼真图像。本工作中，我们提出一个名为 GLOWin 的新的基于流的生成模型框架，它是端到端可逆的，并能学习解耦表示。特征解耦通过将潜空间分解为若干分量实现，使每个分量学习一个生成因子的表示。我们在公开的脑肿瘤 MR 数据集上进行了综合实验以评估所提方法。定量与定性结果表明，该方法能有效地从复杂医学图像中解耦特征。
引用
@article{arxiv.2103.10868,
title = {GLOWin: A Flow-based Invertible Generative Framework for Learning Disentangled Feature Representations in Medical Images},
author = {Aadhithya Sankar and Matthias Keicher and Rami Eisawy and Abhijeet Parida and Franz Pfister and Seong Tae Kim and Nassir Navab},
journal= {arXiv preprint arXiv:2103.10868},
year = {2021}
}
备注
12 pages, 7 figures