合成皮肤病变图像安全感知评估算法提出

Amindu Kumarasinghe 等作者提出一种面向合成皮肤病变图像的安全感知评估算法：按各质量指标在每种病变类型上的实测表现加权，并剔除与真实训练图像过于接近的生成图像。 研究用16项质量指标筛选扩散模型EDM2生成的275,472张皮肤病变图像，发现没有单一指标能服务所有病变类型：基于Inception特征的FID对某一类型分类器最优，对另一类型则相对随机采样无可测优势。 在留出的ISIC-2018测试集上，该算法使Swin-B分类器的Macro-F2较FID基线提升+0.0136至+0.0164（四个安全阈值，Bonferroni校正p<0.02），较随机采样约提升+0.03，但对ResNet-50无此效果。收紧阈值可提高记忆安全评分且效用无可测变化，但每个筛选集的安全性仍低于随机采样。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。