|
- Unet神经网络为什么会在医学图像分割表现好？ - 知乎
UNet最早发表在2015的MICCAI上，短短3年，引用量目前已经达到了4070，足以见得其影响力。 而后成为大多做医疗影像语义分割任务的baseline，也启发了大量研究者去思考U型语义分割网络。
- 关于U-Net的魔改到了什么程度了？ - 知乎
总结 本文详细讨论了三种具有形状先验的分割模型，包括基于图谱的模型、统计形状模型和基于 UNet 的模型。 为了增强 UNet-based 模型上形状先验的可解释性，本文提出了一个形状先验模块 SPM ，可以明确地引入形状先验以促进不同数据集上的分割性能。
- [论文笔记] UNet++ - 知乎
[论文笔记] UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation说在前面个人心得： 大概是去年在知乎刷到周博本人写的文章，文章里对动机和idea的分析对我影响还是蛮大…
- Flux基础-各种版本说明和下载 - 知乎
FP8-unet版模型 KJ大佬制作的 11G左右 的模型，需要单独 两个Clip模型 和 Vae 使用 模型下载： Kijai flux-fp8
- 十分钟读懂Diffusion：图解Diffusion扩散模型
补充3：UNet网络同时输入文字embedding 在第2节介绍Diffusion原理的时候，为了方便，都是没有把输入文字embedding加进来，只用了time embedding和随机高斯噪声，怎么把文字embedding也加进来可以参考前面的1 3节。
- 关于U-Net的魔改到了什么程度了？ - 知乎
自从U-Net被提出来，各种改进层出不穷。包括编码器个数、多重U-Net等网络方面的改进，以及加入密集连接、…
- UNet3+ (UNet+++)论文解读 - 知乎
然而，它没有从多尺度中表达足够的信息，仍然有很大的改进空间。在这篇论文中，我们提出了一种新颖的UNet 3+ (UNet+++)，它利用了全尺度的跳跃连接 (skip connection)和深度监督 (deep supervisions)。全尺度的跳跃连接把来自不同尺度特征图中的高级语义与低级语义结合;而深度监督则从多尺度聚合的特征图
- Flux. 1 GGUF模型说明及使用
在 ComfyUI 中，将原始的 Load Diffusion Model 节点替换为 Unet Loader (GGUF) 节点。 设置 DualClip Loader GGUF 节点，选择 Flux 的 CLIP 和 T5-XXL 模型。
|
|
|