- Статистические гарантии групповых инвариантных сетей GAN (arXiv)
Автор: Зию Чен, Маркос А. Кацулакис, Люк Рей-Беллет, Вэй Чжу.
Аннотация: Группово-инвариантные генеративно-состязательные сети (GAN) — это тип GAN, в котором генераторы и дискриминаторы жестко связаны с групповой симметрией. Эмпирические исследования показали, что эти сети способны изучать групповые инвариантные распределения со значительно улучшенной эффективностью данных. В этом исследовании мы стремимся строго количественно оценить это улучшение, анализируя снижение сложности выборки для инвариантных групп GAN. Наши результаты показывают, что при изучении группово-инвариантных распределений количество выборок, необходимых для группово-инвариантных GAN, уменьшается пропорционально степени размера группы, и эта мощность зависит от внутренней размерности поддержки распределения. Насколько нам известно, эта работа представляет собой первую статистическую оценку для инвариантных к группе генеративных моделей, особенно для GAN, и может пролить свет на изучение других генеративных моделей, инвариантных к группе.
2.SG-GAN: точная стереоскопическая генерация для повышения дискретизации трехмерного облака точек мозга из одного изображения (arXiv)
Автор: Bowen Hu, Baiying Lei, Shuqiang Wang.
Резюме: В минимально инвазивных операциях на головном мозге с непрямыми и узкими операционными средами трехмерная реконструкция головного мозга имеет решающее значение. Однако, поскольку требования к точности для некоторых новых минимально инвазивных операций (таких как хирургия интерфейса мозг-компьютер) становятся все выше и выше, результаты традиционной 3D-реконструкции, такой как облако точек (ПК), сталкиваются с проблемами, заключающимися в том, что точки выборки слишком редки, а точность недостаточна. С другой стороны, существует нехватка наборов данных облаков точек с высокой плотностью, что затрудняет обучение моделей для прямой реконструкции облаков точек с высокой плотностью мозга. В этой работе предлагается новая модель, называемая состязательной сетью, генерирующей стереоскопические графы (SG-GAN), с двумя этапами для создания точных высокоплотных ПК, обусловленных одним изображением. GAN этапа I рисует примитивную форму и базовую структуру органа на основе данного изображения, получая облака точек этапа I. GAN этапа II использует результаты этапа I и создает облака точек высокой плотности с подробными функциями. GAN Stage-II способен исправлять дефекты и восстанавливать подробные характеристики интересующей области (ROI) посредством процесса повышения дискретизации. Кроме того, разработан модуль свободного преобразования, основанный на свободном внимании, для изучения эффективных функций ввода при сохранении многообещающей производительности. По сравнению с существующими методами модель SG-GAN демонстрирует превосходную производительность с точки зрения визуального качества, объективных измерений и производительности при классификации, о чем свидетельствуют всесторонние результаты, измеренные по нескольким показателям оценки, включая ошибку ПК-ПК и расстояние фаски.
