本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法，能够在真实世界的低分辨率与高分辨率图像转换中，保持数据分布的连续性，表现出较高的超分辨率效果。

Sep, 2020

本文提出了一种新的自主驱动生成对抗网络模型（SdCT-GAN），通过引入鉴别器中的新型自动编码器结构，以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器（SGG）思想，能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理，实验证明了该模型相对于主流最先进基准模型的优势。

Sep, 2023

通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采样算子和移动 / 嵌入式设备上，并且能够更好地适应真实世界中的图像噪声问题。

May, 2020

本篇论文提出了一种新的 3D 神经网络设计 —— 多级密集连接超分辨率网络（mDCSRN）结构，并进行了 3D 超分辨率重建应用的实验，结果表明在恢复 4x 分辨率降低的图像上，我们的新型神经网络结构比其他流行的深度学习方法性能更好和速度更快，并且具有促进现实输出的能力。

Mar, 2018

本文提出了一种双向的结构一致性网络，以无监督的方式训练降噪和超分辨率网络，通过生成对抗网络模拟现实世界的 LR 图像降级过程，结合现实世界的 HR 图像，然后利用这些生成的 LR 图像训练 SR 重建网络实现超分辨率。实验表明，该算法在合成和真实场景的超分辨率任务中性能表现都优秀。

Dec, 2018

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

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

使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

May, 2019

本研究提出了 CycleINR，这是一种新颖的增强隐式神经表示模型，用于 3D 医学数据体积超分辨率。通过利用学习的隐式函数的连续性，CycleINR 模型可以以任意上采样率获得结果，消除了单独训练的需求。此外，我们通过引入局部注意机制和融合循环一致性损失来增强 CycleINR 中的格网采样，并减轻过度平滑。我们引入了一个新的度量标准，即切片噪声水平不一致性（SNLI），来定量评估切片间噪声水平的不一致性。我们通过对内部数据集的图像质量评估和对医学分割十项全能（Decathlon）肝肿瘤数据集的下游任务分析来证明我们方法的有效性。

Apr, 2024

本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

Dec, 2016