使用扩散模型生成解剖准确的血管结构视网膜图像，评估表明该方法提高了数据增强和血管分割的性能并可以构建独立的数据集。

May, 2023

提出了一种利用非配对的眼底图像增强光学相干断层扫描模型的新方法，用于眼底疾病分类，实验结果证明该方法优于单模态、多模态和最先进的蒸馏方法。

Aug, 2023

利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战，为了克服这个问题，可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图，训练的去噪扩散概率模型（DDPM）可以生成逼真的近视视网膜光学相干断层扫描图像。此外，通过知识适应可以获得更准确的伪标签，对分割任务非常有益。通过这一方法，我们观察到层次分割准确性的持续改善，并通过各种神经网络验证。此外，我们还发现，仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了 DDPM 在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。

Nov, 2023

在这项工作中，我们介绍了第一个端到端训练框架，该框架同时整合了（i）用于避免附着在假象相关性上的流行去偏置分类器（例如分布鲁棒优化（DRO））和（ii）用于揭示与任务相关的可推广成像标记的反事实图像生成。此外，我们提出了一种新的度量标准，即假象相关性附着分数（SCLS），用于量化分类器依赖假象相关性的程度，该程度由反事实图像揭示。通过对两个公共数据集进行全面实验（包括模拟和真实视觉伪迹），我们证明了去偏置方法：（i）能够学习到可推广的标记，并且（ii）成功忽略假象相关性，专注于潜在的疾病病理。

Aug, 2023

本论文提出 DiME 方法，在使用最近传播模型的同时利用引导生成扩散过程，充分利用目标分类器的梯度生成输入实例的反事实解释，进一步通过提出一个新的度量标准 —— 相关差异，分析了目前评估虚假相关性的方法，并进行实验验证，结果表明该算法在 CelebA 上优于之前的最新研究成果。

Mar, 2022

通过引入新颖的人群模型和基于距离相关性的解缠结损失函数，我们成功实现了视网膜底图像的控制性和高度逼真的生成，并揭示了患者属性和技术混杂因素在图像生成中的复杂关系。

Feb, 2024

本文提出一种使用生成扩散概率模型生成反事实图来推断脑病变像素级预测的方法，并且通过隐含指导和注意力调节来操作生成过程，从而提升了之前的方法。

Jul, 2022

该研究提出了一种利用结构原因模型和 ALI 生成对抗学习算法，生成能满足图像属性之间因果关系约束的反事实例，用于解释和评估神经网络模型的偏差，并使用反事实正则化方法消除分类器训练数据中对皮肤和头发颜色等多维属性的偏见。

Sep, 2020

通过快速扩散基于反事实的图像生成和基于修补的修改方法，我们检测和量化潜在的捷径特征对模型预测的影响。我们通过在两个大型胸部 X 射线数据集、一个皮肤病损数据集和 CelebA 上确认，验证了我们的方法在推理速度显著提升、图像质量与最先进技术可比的同时的有效性。

Dec, 2023

本文提出了一种简单但有效的方法来生成可解释神经网络分类决策的反事实案例，并探索了利用生成模型构建坐标系统的方法。文章分析了生成过程并利用定量和定性措施验证了生成的反事实案例的质量。

Jun, 2022