保存好找，淡冷色系yyds！

机缘巧合下，近期又详细学习了一遍各损失函数的计算，特此记录以便后续回顾。为了公式表示更加清晰，我们设yn​∈{1,2,…,K}为样本n的真实标签，v=(v1​,v2​,…vK​)为网络的输出，即样本n的预测结果，设N为一批样本的数目（即Batch size），K为分类任务的类别数目。

扩散模型能够实现高质量的医学图像生成，但在生成的图像中实现解剖约束具有挑战性。为此，本文提出了一种基于扩散模型的方法，通过支持解剖可控的医学图像生成，在每个采样步骤中遵循多类解剖分割 mask。此外，还引入了一种随机 mask 消融训练算法，以实现对选定的解剖约束组合的调节，同时允许其他解剖区域的灵活性。本文将所提出的方法 SegGuidedDiff 与乳腺MRI和腹部/颈部到骨盆CT数据集的现有

HiDiff：一种用于医学图像分割的新型混合扩散框架，它可以协同现有判别分割模型和新型生成扩散模型的优势，在腹部器官、脑肿瘤、息肉和视网膜血管分割数据集上性能表现 SOTA ！

前两天进行一个分割项目，模型训练完成后需要对分割效果可视化，特此记录两种方法。

一、对抗搜索简介  对抗搜索也称为博弈搜索，在一个竞争的环境中，智能体之间通过竞争实现相反的利益，一方最大化这个利益，另外一方最小化这个利益。  最小最大搜索(Minimax Search)是对抗搜索中最为基本的方法，给定一个游戏搜索树，Minimax算法通过每个节点的Minimax值来决定最优策略，当然，MAX希望最大化Minimax值，而MIN则相反。Minimax是一种简单有效的对抗搜索手段

本文从数据分布的角度对以前的指导及其对进一步应用的贡献进行了分析。  为了合成有助于下游应用的样本，本文在每个采样步骤中引入不确定性指导，并设计了一个不确定性引导扩散模型。  在四个医学数据集上进行实验，在生成样本集上训练10个经典网络，为本文方法的实际贡献提供了全面的评价。此外，还为扩散模型中的一般梯度指导提供了理论保证，这将有助于进一步研究面向特定生成任务其他形式的测量指导。

  为了提高网络性能，目前的研究趋向于更深，更复杂的网络，ImageNet刷分的前几名网络的参数量也非常巨大，没有高性能GPU的玩家只有长太息以掩涕兮了，然而，目前嵌入式设备和移动平台对深度学习模型部署的大量需求，促使轻量级网络成为一个热门的研究方向。于是，就记录一下看到的走轻量级路线的卷积吧。

扩散模型已经证明了它们在各种生成任务中的有效性。然而，当应用于医学图像分割时，这些模型遇到了一些挑战，包括大量的资源和时间需求。他们还需要一个多步骤的反向过程和多个样本来产生可靠的预测。为了解决这些挑战，本文引入了第一个 latent diffusion 分割模型 SDSeg，建立在 stable diffusion（SD）上。SDSeg 采用了一个简单的 latent 估计策略，以促进单步反向过

  这几天整理对比了一下网络中几个常用的Norm的方法，之前也看过，网上有很多讲的非常详细的资料，以前看一下理解了就过了，时间长了就模糊了，此次自己亲手算了一遍，加深了印象，特此整理一下，以便之后的回顾。设置一个Tensor，其Size为[3,4,2,2]，便于之后的理解一、BatchNorm  BatchNorm详解  所有Norm方法无非都是减均值再除以标准差，无非是在哪个尺度上进行该操作的差