ICLR 2023：基于 diffusion adversarial representation learning 的血管分割
目录
- 前言
- 概述
- DDPM
- switchable SPADE layer
- 训练和推理
- 定量结果和可视化
- 总结
- 参考链接
本文首发于 GiantPandaCV，未经允许不得转载！！
前言
目前对于血管分割任务，有两个问题：第一是数据量；第二是血管图像背景复杂。传统的监督方法需要大量的标签，无监督方法则因为血管图像一般背景复杂、低对比度、运动伪影和有许多微小的分支，分割结果达不到期望的准确率。对此，这篇论文引入了一种名为扩散对抗表示学习（DARL）的新架构。
自监督的学习的“标注”通常来自于数据本身，其常规操作是通过玩各种各样的“auxiliary task”来提高学习表征（representation）的质量，从而提高下游任务的质量。对于自监督的血管分割任务，DARL 使用 diffusion module 学习背景信号，利于生成模块有效地提供血管表达信息。此外，该模型使用基于可切换的空间自适应去规范化 (spatially adaptive denormalization, SPADE) 的对抗学习来合成假的血管图像和血管分割图，用来捕获与血管相关的语义信息。训练完成后，该模型可以在单步中生成分割图，细节在后文介绍。