通过生成对抗网络的方法，我们成功实现了从低质量图像到高质量图像的对比转换，产生了具有低均方误差、高结构相似性指数和高峰值信噪比的高质量图像，为跨系统的生物图像质量增强进一步的实施提供了概念验证。

Mar, 2024

本研究提出了一种通过微调预训练的稳定扩散模型生成合成数据集的框架，并用于对象检测模型的训练，研究结果表明，在苹果果园检测中，合成数据训练的对象检测模型的性能与真实世界图像训练得到的基线模型相似，这表明了合成数据生成技术作为深度模型训练的可行替代方法的潜力。

Jun, 2023

本文使用深度卷积神经网络对三个不同的显微镜任务（血液涂片中的疟原虫，痰液样本中的结核菌和粪便样本中的肠道寄生虫卵）进行评估，结果表明准确性非常高，远远优于其他代表传统医学成像技术的替代方案。

Aug, 2016

本文提出了一种基于模拟图像的去噪方法，即模拟图像去噪 (SBD) 框架，该框架使用卷积神经网络 (CNNs) 在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色，同时也分析了 SBD 的泛化能力和 CNNs 的视野对其性能的影响。

Oct, 2020

本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

Dec, 2023

通过模拟关键因素（如传感器噪声、材料反射、表面几何）生成真实的深度数据，以提高深度神经网络的训练效果。

Feb, 2017

数字病理学中的深度学习为病理分析带来了智能和自动化的显著提升，然而，组织准备到幻灯片成像的多个步骤引入了各种图像损坏，使得深度神经网络模型难以在临床诊断中获得稳定的诊断结果。为了评估和进一步增强模型的鲁棒性，我们分析了病理生命周期中全栈损坏的物理原因，并提出了一种名为 OmniCE 的全覆盖损坏仿真方法，以再现用 5 个级别的严重性量化的 21 种损坏。我们构建了三个在补丁级别和幻灯片级别上由 OmniCE 损坏的基准数据集，并评估了流行的深度神经网络在分类和分割任务中的鲁棒性。此外，我们研究了使用 OmniCE 损坏的数据集作为训练和实验的增强数据，以验证模型的泛化能力得到了显著提升。

Oct, 2023

本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。

Dec, 2016

该论文研究了深度神经网络模型训练中的计算机生成图像的真实性问题，使用对比度学习和硬负样本挖掘方法，实现了对计算机生成和真实图像之间的语义和结构一致性匹配，从而得到了最先进的性能表现。

Apr, 2023

通过模型架构和数据预处理对多个常用分割和目标检测方法在模拟 CT 成像伪影和退化情况下的鲁棒性进行了测试，并考虑了通过模拟扫描仪老化或成像协议变化引起的图像质量的未来变化对深度学习模型的临床应用的可持续性的影响。

Jun, 2024