本论文提出 DiME 方法，在使用最近传播模型的同时利用引导生成扩散过程，充分利用目标分类器的梯度生成输入实例的反事实解释，进一步通过提出一个新的度量标准 —— 相关差异，分析了目前评估虚假相关性的方法，并进行实验验证，结果表明该算法在 CelebA 上优于之前的最新研究成果。
Mar, 2022
本文提出了一种简单但有效的方法来生成可解释神经网络分类决策的反事实案例，并探索了利用生成模型构建坐标系统的方法。文章分析了生成过程并利用定量和定性措施验证了生成的反事实案例的质量。
Jun, 2022
通过使用我们提出的框架，综合对应于反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量其在感兴趣区域（ROI）中的体积变化，本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性，进而实现了定量诠释，达到了与深度学习方法相当的预测性能，该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。
Oct, 2023
在这项工作中，我们介绍了第一个端到端训练框架，该框架同时整合了（i）用于避免附着在假象相关性上的流行去偏置分类器（例如分布鲁棒优化（DRO））和（ii）用于揭示与任务相关的可推广成像标记的反事实图像生成。此外，我们提出了一种新的度量标准，即假象相关性附着分数（SCLS），用于量化分类器依赖假象相关性的程度，该程度由反事实图像揭示。通过对两个公共数据集进行全面实验（包括模拟和真实视觉伪迹），我们证明了去偏置方法：（i）能够学习到可推广的标记，并且（ii）成功忽略假象相关性，专注于潜在的疾病病理。
Aug, 2023
本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。
Jun, 2024
我们提出了一个名为 CnD 的两阶段框架，通过自监督对比学习获取功能磁共振成像数据的表示，并利用这些编码的数据重建视觉刺激，从而实现了基于人脑活动的可行的图像重建方法。
Sep, 2023
提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。
Apr, 2024
提出了 CausalDiffAE，一种基于扩散的因果表示学习框架，能够根据指定的因果模型实现反事实生成，并通过编码器从高维数据中提取语义上有意义的因果变量，以及使用神经网络参数化潜在因果变量之间的因果机制。
提出 Diff-SCM 来解决如何从观察到的成像数据中估计反事实效果的问题，使用深度结构因果模型和生成式能量模型相结合的方法进行推理，并且在 MNIST 数据和 ImageNet 数据上证明了其优越性。
Feb, 2022
本研究提出了一个新方法来生成具有差分隐私特征的对事实的推断（DPC）。该方法使用自编码器构建带噪声的类原型，然后根据差分隐私的后处理特点，从潜在的原型中导出 DPC，以在保护隐私的同时维护对事实的解释角色。
Aug, 2022