提出了一种基于大型语言模型的方案以减轻常见的 CT 图像低剂量去噪方法中的模糊、模糊和可解释性问题。该方案包括两个步骤：首先是对 CT 图像进行编码并将其量化为语义标记，然后通过最小化高级特征和量化标记之间的差异来优化去噪模型。实验证明该方案在定量指标和定性评估方面都能提高现有的去噪模型，并且通过语言级别的图像理解提供解释性。
Mar, 2024
本文针对深度神经网络访问隐私敏感的原始数据的问题，提出了一种基于同态加密方案的新技术，并将其应用于卷积神经网络中，使用多项式替代常用激活函数，成功地实现了隐私保护的预测，同时取得了非常高的精度和有效性。
Nov, 2017
该研究提出了一种使用多层螺旋 CT 扫描仪的两阶段方法，以更好地利用完整的重建管道进行 LDCT 去噪，在不同领域中实现更精确的低剂量成像。
Apr, 2023
本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。
May, 2023
本研究提出了一种新的隐私保护深度神经网络方案，既能够在训练和测试中将缺乏视觉信息的图像应用于 DNNs，也能够首次在加密域中考虑数据增强，该方法采用了一种新的基于像素的图像加密方法，同时提出了一种适应性网络以降低图像加密的影响，并对知名的 ResNet-18 网络应用该方法进行图像分类实验，结果表明，在加密域中进行数据增强的传统隐私保护机器学习方法包括现有最先进的方法都无法应用，而所提出的方法在分类精度方面表现卓越。
May, 2019
研究训练以潜在空间作为输入的 LDM 的方法，与传统的 Diffusion Models 相比，通过使用预训练的自动编码器将高维像素空间降为低维潜在空间，大大提高了训练效率，并使用隐私保护的方式对不同维度的注意力模型进行训练以减少可调参数，最终的实验结果表明该方法在生成高质量合成图像时表现突出。
该研究提出了一种名为 LATENT 的本地差分隐私算法，该算法通过将卷积神经网络架构分为卷积模块、随机化模块和全连接模块，并使用新的差分隐私协议实现随机化模块作为网络功能虚拟化隐私保护服务，在边缘 - 云协同中使得保护隐私的深度学习在物联网环境下更加实用。
Aug, 2019
该研究针对深度神经网络中的图像应用提出了一种加密技术，并尝试通过选择明文和密文攻击来测试其安全性。
Apr, 2020
本文提出了一种有效的基于像素的感知加密方法，采用混沌映射生成的序列对像素值进行异或运算。已验证该方法在保持原始图像固有属性的同时提供了必要的安全性，且应用于数据集 CIFAR 上时，其分类精度与现有方法相当，同时提高了安全性。
Mar, 2022
使用奇异值分解（SVD）和主成分分析（PCA）对医学图像进行混淆处理，从而保护数据隐私并在深度学习分析中提取相关信息。通过模拟基于人工智能重建攻击评估安全性，并使用相似性指数定量测量隐私程度。虽然隐私和准确性之间应权衡，但提供的技术允许仅使用受保护的数据训练血管造影图像分类器，并获得令人满意的性能，而不会带来计算负担、模型适应或超参数调整。尽管混淆的医学图像内容能很好地抵护人类感知，但假设的重建攻击证明也难以恢复原始帧的完整信息。
Aug, 2023