iUNets：具有可学习上采样与下采样的完全可逆U-Nets
机器学习
2020-07-01 v3 计算机视觉与模式识别
图像与视频处理
摘要
U-Nets已成为图像到图像学习问题（如分割和成像中的反问题）的标准架构。然而，对于大规模数据，例如3D医学成像中出现的数据，U-Net的内存需求令人望而却步。在此，我们提出一种称为iUNet的新的完全可逆的基于U-Net的架构，它采用了新颖的可学习和可逆的上采样与下采样操作，从而使内存高效的反向传播成为可能。这使我们能够在相同的GPU内存限制下，在实践中训练更深更大的网络。由于其可逆性，iUNet还可用于构建归一化流。
引用
@article{arxiv.2005.05220,
title = {iUNets: Fully invertible U-Nets with Learnable Up- and Downsampling},
author = {Christian Etmann and Rihuan Ke and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2005.05220},
year = {2020}
}