Stable Diffusion Segmentation for Biomedical Images with Single-step Reverse Process

扩散模型已经在各种生成任务中证明了其有效性。然而，当应用于医学图像分割时，这些模型会遇到一些挑战，包括需要大量的资源和时间，以及需要多步反向过程和多个样本才能产生可靠的预测。为了解决这些挑战，我们引入了第一个基于稳定扩散（SD）的潜在扩散分割模型SDSeg。SDSeg采用了一种简单的潜在估计策略来促进单步反向过程，并利用潜在融合连接来消除多个样本的必要性。广泛的实验表明，SDSeg在五个具有不同成像模态的基准数据集上超过了现有的最先进方法。值得注意的是，SDSeg能够通过单个反向步骤和样本生成稳定的预测，体现了该模型名称所暗示的稳定性。该代码可在https://github.com/lin-tianyu/Stable-Diffusion-Seg上获得。

介绍SDSeg，一种用于医学图像分割的新型潜在扩散分割模型，旨在解决资源和时间需求大，需要多个样本和多步骤反向过程的挑战。

SDSeg利用稳定扩散（SD）构建，采用简单的潜在估计策略实现单步反向过程，并利用潜在融合拼接消除了多个样本的必要性。

SDSeg在五个基准数据集上均优于现有的最先进方法，具有稳定的预测能力，仅需要一个反向步骤和样本。作者开放了代码。

与该领域的相关研究包括：U-Net、Mask R-CNN、DeepLab等。