12:08
官方账号arXiv cs.LG@Seyed Kahaki, Shijie Li, Weijie Chen, Nicholas Petrick
推荐理由：这篇论文用病理数据预训练模型改进了FID/IS指标，发现比ImageNet特征更贴合下游分割任务，搞病理AI的值得看。
FID
共 3 条相关 AI 资讯
8月5日
12:08
该论文评估了条件扩散模型生成的合成组织病理图像质量。研究发现传统FID和IS指标依赖ImageNet预训练特征，在病理图像上区分度有限。研究者提出用病理预训练基础模型改进FID和IS，并在四个基准数据集上训练条件扩散模型。改进后的IS与下游细胞核分割性能的相关系数为0.6096（p=0.0122），优于原始IS的0.0708。结果表明增加训练数据多样性比提升单图视觉保真度对分割模型更有帮助。
7月22日
12:11
12:11
官方账号arXiv cs.LG@Chirag Vashist, Ke Li
推荐理由：这篇论文打破常规：不用多步扩散，只用单步卷积网络就在ImageNet上跑出FID 2.56，思路极简但效果惊艳，适合想了解生成模型新方向的你。
6月23日
10:41
10:41
官方账号arXiv cs.LG@Lei Li, Yuexiao Dong
推荐理由：这篇论文改进了扩散模型的抗污染能力，用f-散度加权去噪在CIFAR-10上30%污染时FID从93降到77，比常用鲁棒损失好用。