Double InfoGAN for Contrastive Analysis

要約

対照分析 (CA) は、バックグラウンドのドメインと比較して、ターゲット ドメインの共通点と特徴を発見します。
これは、医療画像処理などの多くのアプリケーションで非常に興味深いものです。
現在の最先端 (SOTA) 手法は、VAE (CA-VAE) に基づく潜在変数モデルです。
ただし、それらはすべて重要な制約を無視しているか、基本的な前提を強制していません。
これにより、特有の要因が一般的な要因と取り違えられる (またはその逆) という次善の解決策が生じる可能性があります。
さらに、生成された画像は、VAE に特有の品質がかなり低く、解釈可能性と有用性が低下します。
ここでは、GAN の高品質な合成と InfoGAN の分離能力を活用する初の GAN ベースの CA 手法である Double InfoGAN を提案します。
単純な合成例から複雑な医療画像まで、4 つの視覚データセットに関する実験結果は、提案された方法が潜在分離と画質の点で SOTA CA-VAE よりも優れていることを示しています。
データセットとコードはオンラインで入手できます。

要約(オリジナル)

Contrastive Analysis (CA) deals with the discovery of what is common and what is distinctive of a target domain compared to a background one. This is of great interest in many applications, such as medical imaging. Current state-of-the-art (SOTA) methods are latent variable models based on VAE (CA-VAEs). However, they all either ignore important constraints or they don’t enforce fundamental assumptions. This may lead to sub-optimal solutions where distinctive factors are mistaken for common ones (or viceversa). Furthermore, the generated images have a rather poor quality, typical of VAEs, decreasing their interpretability and usefulness. Here, we propose Double InfoGAN, the first GAN based method for CA that leverages the high-quality synthesis of GAN and the separation power of InfoGAN. Experimental results on four visual datasets, from simple synthetic examples to complex medical images, show that the proposed method outperforms SOTA CA-VAEs in terms of latent separation and image quality. Datasets and code are available online.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google