本文提出了一种零样式迁移的扩散模型，该零样式迁移使用零额外训练或辅助网络的对比损失来处理内容保留问题，并在图像样式转换和图像到图像翻译中取得了优于现有方法的效果。
Mar, 2023
提出了基于潜在扩散模型的多模态图像转换模型，通过使用切换块进行图像到图像转换，解决了临床实践中获取多种模态图像的难题，实现了高质量的目标模态生成。
Nov, 2023
提出了一种新颖的频域分解转译方法（FDDT），用于医学图像转译，通过高频和低频分量的对齐来平衡图像的身份和风格信息，并在MRI图像和自然图像上进行了广泛的实验评估。
本研究介绍了一种频率解耦的扩散模型（FDDM），通过在转换过程中将医学图像的频率分量在傅里叶域中分离，实现保留结构并高质量转换图像。通过公开的脑部MR-to-CT转换数据集进行了广泛评估，结果表明FDDM在产生高度逼真的目标领域图像的同时保持了翻译的解剖结构的准确性。
通过使用深度生成模型，本文提出了一种新颖的无监督图像转换方法，以实现零样本跨模态图像分割任务，并通过与其他生成模型的实证比较进行了验证。
Apr, 2024
通过双层引导策略有效地引导初始无条件预测，并通过外层近端优化目标加强测量一致性，BGDM相对于基线方法在生成高保真医学图像方面更加有效和高效，显著减少了严重退化情况下的幻觉性伪影。
医学图像翻译中，自洽递归扩散桥(SelfRDB)通过使用以目标图像为基础、源图像为参照的前向过程，以及噪声调度和采样过程等创新方法，提供了优越的性能。
May, 2024
提出了一种级联多路径快捷扩散模型（CMDM），用于高质量医学图像翻译和不确定性估计，能够产生与最先进方法相媲美的高质量翻译，并提供与翻译误差相关的合理不确定性估计。
我们提出了一种基于潜在扩散模型的综合生成模型（S$^2$LDM），该模型可以在推断过程中实现高保真度重建，优化了不同模态图像之间的相似性，并在对比增强区域生成更多细节的医学图像。
Jun, 2024
本研究针对多模态MRI数据集的获取难题，提出了一种交叉条件扩散模型（CDM），以提高医学图像翻译的合成质量和生成效率。通过设计模态特定表示模型和模态解耦扩散网络，CDM能够有效指导合成过程，实验结果显示该方法在BraTS2023和UPenn-GBM数据集上表现优越。
Sep, 2024