本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

May, 2017

该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像（CS-MRI）重建方法，在保留高频内容和细节信息的同时，利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明，该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别，非常适合实时临床应用。

Oct, 2019

本研究提出了一种新型的 12 层深度卷积神经网络，用于图像压缩伪影抑制，其具有分层跳过连接和多尺度损失函数。相较于普通的 JPEG，可提高高达 1.79 dB 的峰值信噪比，并且相较于先前最佳 ConvNet 结果提高高达 0.36 dB。该研究表明，训练用于特定质量因子 (QF) 的网络对于压缩输入图像所使用的 QF 是有韧性的，单个针对 QF 60 训练的网络在多种 QF 范围内 (40 至 76) 提供超过 1.5 dB 的 PSNR 增益。

Nov, 2016

本研究基于生成对抗网络构建了一个图像压缩系统，其中包括编码器、解码器 / 生成器和多尺度鉴别器，并使用全生成式学习压缩目标。模型可合成存储受限的细节，实现在比之前方法失败且出现严重伪影的比特率下，较视觉上令人满意的结果。此外，如果有原始图像的语义标签映射可用，则本方法可以从标签映射中合成出解码后图像的不重要区域，例如街道和树，并相应地减少存储成本。一个用户研究证实，即使使用两倍以上的比特，低比特率下我们的方法都优于现有技术。

Apr, 2018

本文研究了如何将生成敌对网络与学习压缩相结合，得到一种最先进的生成有损压缩系统，并在归一化层、生成器和鉴别器架构、训练策略以及感知损失方面进行了探究。与之前的工作不同的是，我们实现了在广泛的比特率范围内视觉上令人满意的重建，并且，我们的方法可以应用于高分辨率图像。我们在定量上使用各种感知指标和用户研究来评估我们的方法，研究表明，即使使用超过 2 倍的比特率，我们的方法也优于以前的方法。

Jun, 2020

本文证明，通过结合残差学习、skip architecture、对称权重初始化，可以在较短的时间内单步训练 8 层卷积神经网络 (CNN)，并且相比较之前使用的小型网络和其他最先进方法，这种网络可以显著提供更好的 JPEG 压缩噪点减少的重构质量。我们通过评估三种不同的目标、相对于训练数据集大小的泛化和相对于 JPEG 质量水平的泛化来认识 JPEG 去噪中的 CNN。

May, 2016

我们研究了如何改进生成对抗网络进行视频超分辨率任务的方法，通过基于单图像超分辨率 GAN 模型来探讨不同的技术。我们的研究结果表明，包括时间平滑、长短期记忆（LSTM）层和时间损失函数在内的技术组合相比基础视频超分辨率生成对抗网络（GAN）模型在 PSNR 上有 11.97% 的提升，在 SSIM 上有 8% 的提升。这个重大的改进为进一步应用于当前最先进的模型提供了潜在机会。

Jun, 2024

本文介绍了一种基于深度学习的生成式对抗模型，RefineGAN，用于快速准确的 CS-MRI 重建，并通过几个开源 MRI 数据库的评估证明其在运行时间和图像质量方面均优于现有的 CS-MRI 方法。

Sep, 2017

一种基于 GAN 的图像压缩方法，通过采用两阶段的训练和网络插值技术，在极低比特率下重构高质量图像，可以平衡感知质量和保真度之间的权衡且优于现有的基于 GAN 的图像压缩模型。

Aug, 2020

通过深度学习技术，本研究改进了图像压缩伪影降低方法，并提出了一种双重感知引导网络（DAGN），通过解耦图像的内在属性为伪影降低提供双重补充特征，并实现了较高的性能和效率。

May, 2024