利用有监督 GAN 学习组织样本生成的模型
计算机视觉与模式识别
2020-04-02 v1
摘要
理解细胞与组织空间结构的一个关键步骤，是能够构建准确反映该结构的生成模型。本文聚焦于构建电子显微镜（EM）图像的生成模型，其中细胞膜与线粒体的位置已被密集标注，并提出一种两阶段流程，以有监督方式使用生成对抗网络（或称 GANs）生成逼真图像。第一阶段，给定噪声“图像”作为输入，合成标签“图像”，该标签图像随后为第二阶段的 EM 图像合成提供监督。完整模型自然生成标签-图像对。我们表明，通过（1）形状特征与全局统计、（2）分割精度以及（3）用户研究进行评估，可生成准确的合成 EM 图像。我们还通过在中途合成标签上施加重建损失从而将两阶段统一为单一端到端框架，展示了进一步的改进。
引用
@article{arxiv.2004.00140,
title = {Learning Generative Models of Tissue Organization with Supervised GANs},
author = {Ligong Han and Robert F. Murphy and Deva Ramanan},
journal= {arXiv preprint arXiv:2004.00140},
year = {2020}
}
备注
Accepted at WACV-18