.png){kind=icon}
返回
Enabling PSO-Secure Synthetic Data Sharing Using Diversity-Aware Diffusion Models
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05663-4_3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
合成数据最近已达到视觉保真度水平，使其几乎无法与真实数据区分，为医学成像中的隐私保护数据共享带来了巨大希望。然而，全合成数据集仍然存在显著局限性：首先，共享合成数据的法律方面常被忽视，且数据法规（如GDPR）在很大程度上被忽略。其次，合成模型在匹配真实数据性能方面存在不足，即使在领域内下游应用中也如此。近期图像生成方法侧重于最大化图像多样性而非仅保真度，以改善模式覆盖并提升合成数据的下游性能。在本工作中，我们转变视角，指出最大化多样性也可解释为保护自然人免受识别，从而实现谓词识别（PSO）安全的合成数据集。具体而言，我们提出一种可推广的框架，用于在个人数据上训练扩散模型，生成去个性化合成数据集，其性能与真实数据模型相差不超过一个百分点，同时显著优于未能保证隐私的最先进方法。代码可在https://github.com/MischaD/Trichotomy获取。
Keyword:
Privacy
Data-sharing
Conditional Image Generation
Diffusion Models
期刊
机构
引用论文
An Organism Starts with a Single Pix-Cell: A Neural Cellular Diffusion for High-Resolution Image Synthesis一个有机体始于单个Pix-Cell：一种用于高分辨率图像合成的神经细胞扩散模型
.png){kind=icon}
PREAI
分享收藏Memory-Efficient High-Resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models基于级联摊销式潜在扩散模型的内存高效高分辨率OCT体积合成
PREAI
分享收藏Generating Progressive Images from Pathological Transitions Via Diffusion Model通过扩散模型从病理转变生成渐进式图像
PREAI
分享收藏
查看更多内容