转载：CVer计算机视觉（知乎）
一句话总结
本文提出Medfusion：一种用于医学图像生成的去噪扩散概率模型，研究表明在医学图像合成领域多个指标上，DDPM是一个优于GAN的工作，代码即将开源！
Medfusion
img
Diffusion Probabilistic Models beat GANs on Medical Images
单位：亚琛工业大学, 德累斯顿工业大学等
代码：https://github.com/mueller-franzes/medfusion
demo：https://huggingface.co/spaces/mueller-franzes/medfusion-app
论文下载链接：https://arxiv.org/abs/2212.07501
深度学习应用的成功关键取决于底层训练数据的质量和规模。生成对抗网络（GAN）可以生成任意大型数据集，但多样性和保真度是有限的，最近已经被去噪扩散概率性的模型（DDPM）所解决，其优越性已经在自然图像上得到了证明。
在这项研究中，我们提出了Medfusion：一种用于医学图像的条件latent DDPM。
img
实验结果
我们将基于DDPM的模型与基于GAN的模型进行比较，后者构成了医学领域的当前状态。
img
img
在AIROGS挑战数据集的n=101,442张图像上训练并与（i）StyleGan-3进行比较，以生成有和没有青光眼的眼底镜，（ii）在CheXpert数据集的n=191,027上的ProGAN，以生成有和没有心脏肿大的X线照片，以及（iii）在CRCMS数据集的n=19,557张图像上的wGAN，以生成有和没有微卫星稳定性的组织病理学图像。
在AIROGS、CRMCS和CheXpert数据集中，Medfusion就获得了比GANs更低（=更好）的 FID (11.63
versus 20.43, 30.03 versus 49.26, and 17.28 versus 84.31)。此外，保真度（查准率/精确度）和多样性（查全率/召回率）在所有三个数据集中都更高（=更好）。我们的研究表明，DDPM是一个优于GAN图像合成在医学领域的工作。
img
img
img
img
