이 논문은 스타일 추출 확산 모델(STEDM)을 제안한다. STEDM은 기존 확산 모델에 스타일 인코더와 집계 블록을 추가하여 입력 이미지의 콘텐츠와 스타일을 분리하고 제어할 수 있다.
실험에서는 먼저 꽃 데이터셋에서 제안 모델의 성능을 검증하였다. 기존 스타일 전이 기법이나 단순 확산 모델에 비해 제안 모델이 훈련 데이터에 없던 색상의 꽃을 생성할 수 있음을 확인하였다.
이어서 병리 영상 데이터셋인 HER2와 CATCH 데이터셋에 대해 실험하였다. 제안 모델은 근접 패치 기반 및 다중 패치 기반 스타일 샘플링 전략을 통해 기존에 관찰되지 않은 스타일의 합성 이미지를 생성할 수 있었다.
이렇게 생성된 합성 이미지를 분할 모델 학습에 활용한 결과, 기존 방법 대비 분할 성능이 향상되고 환자 간 성능 편차가 감소하는 것을 확인하였다. 특히 HER2 데이터셋에서 두드러진 성능 향상을 보였는데, 이는 제안 모델이 학습 데이터에 포함되지 않은 환자의 스타일 특성을 효과적으로 반영할 수 있기 때문으로 분석된다.
A otro idioma
del contenido fuente
arxiv.org
Consultas más profundas