本文研究神经场在二维语义分割中的应用，比较了三种条件策略（简单连接、FiLM 和交叉注意力）的性能差异，结果表明通过交叉注意力实现的神经场具有与基于 CNN 的解码器相媲美的最佳结果。

Apr, 2023

本研究提出了一种新的条件锥形神经计算机断层成像 (CondCBNT) 方法，使用分区域的神经调制场 (NMF) 来同步训练全新的 NF，使其性能得到了显著的提高。

Jul, 2023

通过深度学习生成卡式磁共振（MR）图像序列的方法，能够加速数据采集、提高图像清晰度，且在每张 2D 图像独立重建和序列帧联合重建方面均表现出优异的性能。

Apr, 2017

提出了一种利用 MLPs 和 grid representations 的新方法，通过 Coordinate-Aware Modulation (CAM) 将 grid representations 注入 MLP 的中间特征来增强神经表示的性能和学习稳定性。实验证明 CAM 在多种信号上提高了性能，并在动态场景的新视角合成任务中取得了最先进的性能，同时具有最少的参数和快速的训练速度，并且在静态场景下以 1MB 内存获得了最佳性能，相比使用神经场的最佳视频压缩方法有很大的优势。

Nov, 2023

本文研究旨在提高监督式机器学习算法的性能，生成合成性多发性硬化症 (MS) 病灶于核磁共振图像。我们提出了一种双输入双输出的全卷积神经网络模型，用于 MS 病灶合成 MRI 影像。使用病灶信息编码为二进制强度层掩膜，并通过对输入影像叠加。实验结果表明，通过合成图像同时使用非掺杂使得模型在 MS 病灶检测领域有很好的表现。

Jan, 2019

基于视频动作识别领域的灵感，我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型，以 2D 卷积神经网络的复杂度编码三维特征，通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割（AMOS）和除颅骨外多图谱标记（BTCV）数据集中验证了我们方法的有效性，表明 SSH-UNet 在性能上与最先进的架构相媲美，且更高效。

Jul, 2023

提出了一种名为混合融合生成对抗网络（HF-GAN）的新型统一框架，通过多模式磁共振成像，使得通过补充信息来提供可靠的临床应用诊断。实验证明，该方法在数据插补任务中表现出优异的性能，并且比现有方法在定量和定性比较方面更加优越。

Jun, 2024

本文提出一种可解释的任务特定综合网络，通过训练可调节的任务特定加权平均模块和任务特定注意模块，可视化每个输入序列的贡献并突出网络尝试在合成过程中完善的区域。在 BraTS2021 数据集上的实验证明了该方法在任意序列合成方面具有优异的性能，是当前最先进方法的一步之遥。

Jul, 2023

本文提出了一个基于深度神经网络的编码器 - 解码器结构，包含跨模态卷积层以整合不同模态的 MRI 数据和卷积 LSTM 以建模 2D 切片序列，通过加权和两阶段训练来处理标签失衡，并在 BRATS-2015 数据集上实验表明超越了现有的生物医学分割方法。

Apr, 2017

该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法，并将其与基于 DCGAN 结构的模型进行了比较，结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。

Dec, 2023