基于定制度量函数的细胞图像语义分割的合成双图像生成以减少标注工作量

合成图像可以缓解数据收集和标注的负担，通过真实数据集提供的语义掩码合成训练图像。

研究表明，合成数据能有效提高模型的准确性，减少对真实数据的依赖。

提出了一种有条件的扩散概率模型（DPM）框架，用于生成合成肠道息肉图像，应用于二进制图像分割模型训练。

通过无监督学习和鉴别器的框架，生成逼真的城市场景照片，实现自主驾驶，降低验证和训练数据的成本。

利用深度卷积神经网络和半监督分割方法，在医学图像上实现髋骨分割，取得了优于现有方法的性能。

合成数据生成方法结合小规模真实数据集，训练出在物体识别和图像分割方面表现优越的算法。