μSplit：面向显微图像数据的高效图像分解方法
计算机视觉与模式识别
2023-08-21 v5 机器学习
摘要
我们提出 μSplit，一种针对荧光显微图像中训练图像分解的专用方法。我们发现，使用常规深度架构在训练时采用大图像块可获得最佳结果，这使得内存消耗成为进一步提升性能的瓶颈。因此我们引入横向上下文化（LC），一种能够实现大图像上下文高效内存利用的新型元架构，我们观察到它是解决当前图像分解任务的关键要素。我们将 LC 与 U-Nets、分层 AEs 和分层 VAEs 集成，并为其构建了改进的 ELBO 损失。此外，LC 使得训练比原本可能更深的分层模型成为可能，且有趣的是，有助于减少在使用分块 VAE 预测时固有且无法避免的拼接伪影。我们将 μSplit 应用于五个分解任务，其中一个基于合成数据集，另外四个源自真实显微数据。我们的方法一致取得最佳结果（相较最佳基线平均提升 2.25 dB PSNR），同时显著减少 GPU 内存需求。我们的代码与数据集可在 https://github.com/juglab/uSplit 获取。
引用
@article{arxiv.2211.12872,
title = {{\mu}Split: efficient image decomposition for microscopy data},
author = {Ashesh and Alexander Krull and Moises Di Sante and Francesco Silvio Pasqualini and Florian Jug},
journal= {arXiv preprint arXiv:2211.12872},
year = {2023}
}
备注
Published at ICCV 2023. 10 pages, 7 figures, 9 pages supplement, 8 supplementary figures