Class-Guided Image-to-Image Diffusion: Cell Painting from Brightfield Images with Class Labels

要約

クラス ラベルの形式の無料または安価なメタデータを使用した画像から画像への再構成の問題は、生物学および医療画像の領域でよく発生します。
既存のテキストガイドまたはスタイル転送の画像から画像へのアプローチは、追加情報が個別のクラスとして提供されるデータセットに変換されません。
画像から画像へのモデルとクラスガイド付きノイズ除去拡散確率モデルを組み合わせたモデルを導入して実装します。
メタデータ ラベルの有無にかかわらず、創薬に使用される顕微鏡画像の実世界のデータセットでモデルをトレーニングします。
関連するラベルを使用して画像から画像への拡散の特性を調査することにより、クラスガイド付きの画像から画像への拡散が、再構成された画像の意味のあるコンテンツを改善し、有用な下流タスクでガイドなしモデルよりも優れていることを示します。

要約(オリジナル)

Image-to-image reconstruction problems with free or inexpensive metadata in the form of class labels appear often in biological and medical image domains. Existing text-guided or style-transfer image-to-image approaches do not translate to datasets where additional information is provided as discrete classes. We introduce and implement a model which combines image-to-image and class-guided denoising diffusion probabilistic models. We train our model on a real-world dataset of microscopy images used for drug discovery, with and without incorporating metadata labels. By exploring the properties of image-to-image diffusion with relevant labels, we show that class-guided image-to-image diffusion can improve the meaningful content of the reconstructed images and outperform the unguided model in useful downstream tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google