本文提出了一种新颖的鲁棒学习方法来解决整张切片图像（WSIs）中的扰动问题，并通过引入图卷积网络（GCN）从图中提取特征，包括去噪和分类层，以改善前列腺癌的诊断准确率。实验结果表明，与非鲁棒算法相比，该模型在癌症诊断方面取得了显著的改善。
Oct, 2023
提出一种混合专家方案，用于从全玻片图像中检测五个显著的伪迹，其中包括受损组织、模糊、折叠组织、气泡和组织学上无关的血液，以提高计算病理学系统的可靠自动化诊断。
Mar, 2024
图像修复是一个具有挑战性的任务，在近期，扩散模型在图像的生成上取得了显著的进展，但关于扩散模型在图像修复中的应用却鲜有综合且有启发性的研究，本文首次对基于扩散模型的图像修复方法进行全面的综述与评估，并提出了未来研究的五个潜在和具有挑战性的方向。
Aug, 2023
通过采用基于条件潜在扩散的新型架构，以样式转移任务的方式处理了镜像污染问题，并建立了迄今为止最大的超过 200 万组织学图像数据集 SPI-2M，并使用神经样式转移进行高质量转换，从而在归一化图像的质量方面胜过了现有的 GAN 和手工方法。此外，作为考验时间增强方法应用于具有挑战性的 CoNIC 数据集的核实例分割和分类模型，与现有方法相比，它改进了性能。最后，在多千兆像素全尺寸图像（Whole Slide Images，WSIs）上应用了 StainFuser，并展示了相对于现有方法，它在计算效率、图像质量和图块之间的一致性方面的改进。
本文介绍了一种通过扩展扩散模型进行图像修复的新方法，该方法利用生成过程中与测量身份一致的样本，并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。
Feb, 2024
提出了一种利用卷积神经网络的系统，结合了严重程度评估与伪影检测，通过使用 DoubleUNet 对伪影进行分割以及六个微调后的卷积神经网络模型来确定伪影的严重程度，该方法在伪影分割方面的准确性较当前技术领先水平提高了 9%，在伪影的严重程度评估方面与病理学家的评估结果具有 97% 的强相关性，而且该系统在异构数据集上表现出良好的鲁棒性，并且与自动分析系统集成后可以得到实际的应用性。
Jan, 2024
本研究提出一种方法，通过给待恢复的输入图像添加噪声并进行去噪来使预训练的扩散模型自适应于图像恢复任务。方法基于观察到生成模型空间需要受到约束的原则，通过使用一组捕捉输入图像特征的锚点图像对生成模型进行微调，从而实现受约束的空间。我们通过对比以前的方法并在多个真实世界的恢复数据集上展示出卓越的性能，包括保留身份和图像质量。此外，我们还演示了一种在个性化修复上的重要实际应用，其中我们使用个人相册作为锚点图像来约束生成空间。这种方法使我们能够准确地保留高频细节，这是以前的工作所不能实现的。
Dec, 2023
使用最新的成像和高性能计算技术实现了在细胞水平对整个人脑进行成像，为研究人脑的多尺度结构（包括大脑区域和核团的划分、皮层层次、纵列和细胞群体）提供了基础。本研究提出了一种基于噪声扩散概率模型（DDPM）的模型，通过训练细胞染色切片的光镜扫描图像，能够可靠地填充缺失信息并生成高度逼真的图像信息，用于细胞统计和形态模式的分析，得到了验证。
Nov, 2023
设计一种基于计算机视觉模型的自动化解决方案，能够改善和重建退化艺术品的视觉质量，同时保留其原始特色和艺术品，以此来保存文化遗产。
Sep, 2023
提出了一种称为重建生成扩散模型 (RnG) 的新方法，该方法利用重建去噪网络恢复绝大部分底层干净信号，并采用扩散算法生成剩余的高频细节，从而提高视觉质量和感知度。通过在合成和真实去噪数据集上进行广泛实验验证了该方法的优越性。