TL;DR
- چکیده:.
- ناهمگونی دادهها مانع استقرار بالینی مدلهای تجزیه و تحلیل تصویر پزشکی میشود و افزایش داده.
- های تولیدی به کاهش این مشکل کمک میکند.
چه اتفاقی افتاد
چکیده:. ناهمگونی دادهها مانع استقرار بالینی مدلهای تجزیه و تحلیل تصویر پزشکی میشود و افزایش داده.
های تولیدی به کاهش این مشکل کمک میکند. با این حال،.
روشهای مبتنی بر انتشار اخیر که جفتهای ماسک تصویر را ترکیب میکنند،. اغلب تغییرات توزیع بین تصاویر تولید شده و واقعی را در سراسر سناریوها نادیده میگیرند،.
و چنین ناهماهنگیها میتوانند بهطور قابلتوجهی عملکرد پاییندستی را کاهش دهند. برای پرداختن به این موضوع،.
ما AlignFlow را پیشنهاد میکنیم،. یک مدل تطبیق جریان که با توزیع تصویر مرجع هدف از طریق تنظیم دقیق پاداش متفاوت،.
همسو میشود و حتی زمانی که تنها تعداد کمیاز تصاویر مرجع ارائه میشوند،. موثر باقی میماند.
بهطور خاص،. ما آموزش مدل تطبیق جریان را به دو مرحله تقسیم میکنیم:.
در مرحله اول،. مدل با دادههای آموزشی متناسب میشود تا تصاویر قابل قبولی تولید کند.
سپس،. یک مکانیسم هم ترازی توزیع را معرفی کرده و از متمایزپذیر استفاده میکنیم پاداش برای هدایت تصاویر.
تولید شده به سمت توزیع نمونههای داده شده از دامنه هدف. علاوه بر این،.
برای افزایش تنوع ماسکهای تولید شده،. ما همچنین یک تولید ماسک مبتنی بر تطبیق جریان را طراحی میکنیم تا تنوع در مناطق مورد.
علاقه را تکمیل کند. آزمایشهای گسترده اثربخشی رویکرد ما را نشان میدهد، یعنی بهبود عملکرد 3.
5-4. 0 ٪ در mDice و 3.
5-5. 6 ٪ در mIoU در مجموعههای مختلف دادهها و سناریوها.
پردازش تصویر و ویدئو (eess. IV)؛ بینایی کامپیوتری و تشخیص الگو (cs.
CV) استناد بهعنوان: (یا v1 [eess. IV] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Jie Yang [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 08:.
35:. 42 UTC (4,.
853 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.