本研究提出了一种新方法，通过对人体遮罩图像进行数据驱动的生成技术，直接生成与真实的具有相同图像风格和解剖结构的 2D 全身 X 射线图像，从而避免了侵入性和有害辐射，为生成高度解剖学和定制化数据提供了新途径，降低了健康风险。

Apr, 2024

该文介绍了一种基于 CT 投影算法的 X 光图像合成方法，可以在无须地面真值骨标记的情况下从真实的放射性照片中综合出新的视图。

Dec, 2020

本文提出了一种基于深度学习的方法，可以从一对二维 X 射线图像中估计骨头的三维结构，并且相较于八种其他的三维骨重建方法，预测精度更高。同时，该神经网络可以根据 X 射线图像确定骨头的身份，具有 100％的准确性，为鉴定和识别骨头提供了一种基于图像内容的更快速的方式。

Jan, 2020

通过引入内容和风格的解耦技术以及姿态注意力模块，利用 CT2X-GAN 方法，该研究提出了一种学习式的端到端合成 X 射线图像的方法，从而改善合成质量并使其更接近真实的 X 射线图像。

Apr, 2024

本文提出了一种基于端到端学习策略的方法，利用行人重新识别作为感知度量，生成单张人体图像的纹理贴图，实验结果表明，我们的模型可以从单张图像中生成纹理贴图，并证明我们的纹理比其他可用方法生成的质量更高，我们还将应用范围扩展到其他类别，并探索了我们生成的纹理的可能利用途径。

Apr, 2019

本研究提出了从单张照片推断出详细的全身人体形状的简单而有效的方法，其将形状回归转化为图像转换问题，并使用纹理图来估计细节的法线和位移图，能够将细节添加到低分辨率的光滑身体模型中，尽管仅使用合成数据进行训练，但该模型在真实世界的照片上表现良好。

Apr, 2019

本文提出了一种从单张照片中预测着装人体几何形状的新方法，包括三个关键点：一个新数据集，一个新的形状参数化算法和一个端到端的深度生成网络。

Apr, 2019

开发可重复使用的开源合成图像生成流程，该流程可帮助提高数字健康领域中的人工智能算法并标准化，生成不与特定患者相关的高质量合成图像数据，以改善诊断准确性、协助患者护理、降低医疗法律索赔以及最终降低卫生保健总成本。

Mar, 2024

利用三维生成对抗网络（GANs）能够高效地生成高分辨率的医学体积，实现模型可解释性和应用，包括图像变形、属性编辑和样式混合，并在三维 HR-pQCT 示例数据库上进行了广泛验证。

Oct, 2023

提出使用 3D GAN 框架对人体或脸部特征进行辐射场生成，通过显式变形场将其变形为期望的姿势或表情，并展示了编辑生成体或脸部特征时显式变形训练过程在提高其质量方面的显著优势。

Jun, 2022