<p align="center"> <img src="https://yellow-cdn.veclightyear.com/ab5030c0/297c9ac8-1005-4747-885b-91ae0911b0d8.png" width="50%" alt='project-monai'> </p>

MONAI生成模型

这是一个用于将生成模型整合到MONAI核心、MONAI教程和MONAI模型库的原型开发仓库。

特性

• 网络架构：扩散模型、自编码器-KL、VQ-VAE、自回归变换器、（多尺度）Patch-GAN判别器。
• 扩散模型噪声调度器：DDPM、DDIM和PNDM。
• 损失函数：对抗损失、谱损失和感知损失（适用于2D和3D数据，使用LPIPS、RadImageNet和3DMedicalNet预训练模型）。
• 评估指标：多尺度结构相似性指数（MS-SSIM）和Fréchet始创距离（FID）。
• 扩散模型、潜在扩散模型和VQ-VAE + 变换器推理类（兼容MONAI风格），包含训练、生成合成图像和获取输入数据似然的方法。
• 兼容MONAI的训练器引擎（基于Ignite），用于训练具有重建和对抗组件的模型。
• 教程包括：
  • 如何在2D和3D数据上训练VQ-VAE、VQ-GAN、VQ-VAE + 变换器、AutoencoderKL、扩散模型和潜在扩散模型。
  • 训练扩散模型以使用无分类器引导进行条件图像生成。
  • 不同扩散模型调度器的比较。
  • 具有不同参数化的扩散模型（如v预测和epsilon参数化）。
  • 使用VQ-VAE + 变换器和扩散模型进行异常检测。
  • 使用扩散模型进行图像修复（使用Repaint方法）
  • 使用潜在扩散模型进行超分辨率（使用噪声条件增强）

路线图

我们的短期目标可在仓库的里程碑部分查看。

长期来看，我们的目标是将生成模型整合到MONAI核心仓库中（支持图像合成、异常检测、MRI重建、领域迁移等任务）。

安装

要安装MONAI生成模型的当前版本，你可以运行：

pip install monai-generative

要安装仓库的当前主分支，请运行：

pip install git+https://github.com/Project-MONAI/GenerativeModels.git

需要Python >= 3.8。

贡献

有关为MONAI做出贡献的指导，请参阅贡献指南。

社区

在Twitter上关注@ProjectMONAI加入对话，或加入我们的Slack频道。

引用

如果你在研究中使用了MONAI生成模型，请引用我们！引用可以从这篇论文导出。

链接

• 网站：https://monai.io/
• 代码：https://github.com/Project-MONAI/GenerativeModels
• 项目跟踪器：https://github.com/Project-MONAI/GenerativeModels/projects
• 问题跟踪器：https://github.com/Project-MONAI/GenerativeModels/issues