本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

Aug, 2019

本研究提出了一种新颖的形态感知元学习框架来解决深度学习方法在多领域数据中的域泛化问题，特别是在缺乏形状完整性和边界模糊性的情况下增强了模型的泛化性能来对抗领域偏移。实验表明，本方法在前列腺 MRI 图像分割中的性能在六个不同机构数据的分布偏移中均优于现有的许多基准方法。

Jul, 2020

本研究提出了一种新的 3D 形状自动完成方法 ShapeInversion，它采用了生成性对抗网络（GAN）和无监督学习方法，无需配对数据，可实现对模型的形状操纵和插值。在测试中，该方法在特定于域的测试数据上表现出色，同时表现出对现实世界下不同形式和不完整程度的偏见现象具有鲁棒性。

Apr, 2021

本文提出了一种协作式对抗学习算法 (collaborative GAN，简称 collaGAN)，结合面部完成 (face completion)、地标检测 (landmark detection) 和语义分割 (semantic segmentation) 等多项任务，以明确和增强语义知识，优化面部完成任务。大量实验证明该算法产生了卓越的性能表现，优于其他生成图像修复模型和单项任务学习方法。

Dec, 2018

本文提出了一种基于深度学习的方法，通过 2D 正交视图来实现 3D 人体形态的重建，使用二进制掩膜图像即可快速创建数字化人物，并可应用于 3D 游戏、虚拟现实、在线时装购物等领域。

Jun, 2018

本研究提出一种基于无监督异常检测方法的肿瘤检测方法，通过学习健康解剖结构，提出了一种稳健的基于修复模型的健康解剖结构重建方法，并基于此提出了一个自动修复的肿瘤检测方法，经实验证明，该方法在多模态图像中与有监督检测相比效果非常接近。

May, 2023

本研究提出了一种自我监督学习框架，通过整合领域多样性和拼图等方式，学习语义和形状倾向的表示，可用于领域泛化。实验结果表明，该框架明显优于现有的领域泛化方法。

Sep, 2019

本文研究了遮蔽图像建模技术在医学三维图像分析中的应用，发现其相比基于对比学习的方法能够更快地进行监督学习并达到更高的精度，使用高遮蔽率和相对较小的块大小预测原始像素值是医学图像建模的一项重要自监督预训练任务，轻量级的解码器或投影头设计能够加快训练速度并降低成本，而 MIM 方法在不同的图像分辨率和标签数据比例下都具有良好的效果。

Apr, 2022

介绍了一种名为 ShapeMask 的解决利用对象的形状中间概念来解决在实例分割中应用于新类别的问题的方法。与现有方法相比，该模型通过学习形状先验和实例嵌入来捕获对象形状和外观信息，并取得了 6.4 到 9.4 的 AP 值提高。

Apr, 2019

本文提出了一种基于深度神经网络和纹理传播的学习方法来完成图像修复，通过分离任务为推理和翻译两个步骤并用简单的启发式算法指导局部纹理从边界到空洞的传播，我们证明了我们的方法在几个公共数据集上能够产生比以前的最先进方法更高质量的视觉结果。

Nov, 2017