Unsupervised Contrastive Analysis for Salient Pattern Detection using Conditional Diffusion Models

这段摘要讲述了对比分析（CA）的问题，即如何识别图像中的模式，使得可以区分背景数据集（即健康受试者）和目标数据集（即不健康受试者）。近期的相关工作依赖于变分自编码器（VAE）或对比学习策略，以有监督的方式学习将目标样本与背景样本分离的模式。然而，在医学场景中，由于目标（不健康）样本数量有限，这种方法的依赖性可能会带来挑战。此外，VAE的模糊重构缺乏实用性和可解释性。因此，本文提出了一种新的CA任务定义，即利用自监督对比编码器在训练期间仅使用背景数据集中的样本来学习仅编码输入图像中的共同模式的潜在表示，并利用数据增强技术来近似目标模式的分布。随后，利用最先进的生成方法（即扩散模型），在以学习的潜在表示为条件的情况下，产生仅编码共同模式的真实（健康）版本的输入图像。对面部图像数据集的全面验证和对三个脑MRI数据集的实验表明，使用来自自监督对比编码器的潜在表示来调节最先进的生成方法的生成过程，可以提高生成图像的质量和图像分类的准确性。该代码可在https://github.com/CristianoPatricio/unsupervised-contrastive-cond-diff上获得。

论文旨在解决Contrastive Analysis（CA）中的一个新问题，即在医学场景中由于目标样本的有限可用性，如何使用自监督对比编码器来学习仅编码常见模式的潜在表示，并利用数据增强技术来近似目标模式的分布。

论文提出了一种基于自监督对比编码器的新方法，通过仅使用来自BG数据集的样本进行训练来学习仅编码常见模式的潜在表示，然后利用数据增强技术来近似目标模式的分布，并使用最先进的生成方法来产生仅编码常见模式的真实（健康）图像。

论文在面部图像数据集和三个脑MRI数据集上进行了全面验证，证明使用自监督对比编码器的潜在表示来调节最先进的生成方法可以提高生成图像的质量和图像分类的准确性。代码已经公开在GitHub上。

最近的相关研究包括使用VAE或对比学习策略来学习区分BG数据集和TG数据集的模式，以及使用GAN来生成健康图像。