摘要

本文介绍了一种名为Generative Cellular Automata (GeCA)的新型模型，该模型受生物进化中从单细胞到复杂有机体的启发，用于高分辨率图像合成。GeCA通过集成神经细胞自动机（NCA）与扩散目标，专门为NCA的独特结构设计，显著提升了在光学相干断层扫描（OCT）图像上的眼科疾病分类性能。特别是在OCT图像数据稀缺且类别分布不均的情况下，GeCA实现了平均F1分数12%的提升，超越了传统的基于扩散的方法和最新的基于变换器的去噪模型。

原理

GeCA的工作原理基于神经细胞自动机（NCA），将输入图像视为由H × W个“像素细胞”组成的网格，每个像素细胞包含输入值、位置编码、输出值和隐藏状态。通过随机更新规则，像素细胞的隐藏状态和输出值在每个时间步长m进行更新，这一过程模拟了生物细胞的非同步更新。GeCA通过引入局部自注意力机制和基因遗传指导（GHG）方法，优化了反向采样过程，从而在图像生成中实现了更高的效率和质量。

流程

GeCA的工作流程包括正向扩散过程和反向采样过程。在正向扩散过程中，初始化输出值和隐藏状态，并通过一系列的细胞更新步骤逐渐添加噪声。在反向采样过程中，利用GHG方法指导隐藏状态的继承，从而实现从噪声状态到清晰图像的逐步去噪。具体示例显示，通过调整更新步骤的数量M，可以控制生成图像的细节和整体质量。

应用

GeCA的应用前景广泛，特别是在医疗影像领域，如眼科疾病的诊断和分类。由于其能够生成高质量的合成图像，GeCA可以有效扩充数据集，特别是在OCT等数据稀缺的领域，提高疾病分类的准确性和效率。此外，GeCA的模型结构和方法也可以扩展到其他需要高分辨率图像合成的领域。