本文提出了一种新颖的 Generative Adversarial Networks（GANs）在荧光显微镜下细胞图像合成的应用，实现了多通道图像生成和通过静态图像预测时间演化。

Aug, 2017

本文提出了一种新的 GAN 结构 QC-StyleGAN，可以控制生成图像的质量以及处理低质量图像，包括去噪、去模糊、去压缩等。其基于 StyleGAN 家族模型，可以实现图像剪裁、转移、插值等应用。

Dec, 2022

MRI 扫描的磁共振成像和显微成像的跨模态增强具有潜力，可以在没有侵入性活检程序的情况下进行组织病理学分析。本文测试了一种使用条件生成对抗网络（cGAN）架构从 MRI 扫描中生成微观组织学图像的方法。该方法通过训练配对的图像转换模型，将 MRI 扫描和显微镜图像集合起来。通过可靠地合成胼胝体的组织学图像，这项技术突显了网络在训练高分辨率组织学图像和相对较低分辨率 MRI 扫描方面的能力。该工具的最终目标是避免活检，可用于教育目的。

Oct, 2023

本研究提出 Generated Image Quality Assessment (GIQA) 算法，从学习和数据两个角度，定量评估 GAN 模型生成的图像质量。实验证明 GIQA 算法结果与人工评估基本一致，可应用于 GAN 模型的真实性和多样性评估，并能在训练中支持在线 hard negative mining。

Mar, 2020

本研究旨在开发一种无标注的基于 GAN 的图像转换模型，将实验室拍摄的微生物图像转换为野外图像，以提高目标检测模型的泛化能力。我们使用合成的野外图像训练目标检测框架，并与实验室图像训练的目标检测框架进行比较，发现在 F1-score 和 mAP 方面有了高达 68.1% 和 75.3% 的改进。

Jun, 2023

本研究提出了一种医学图像增强的无监督学习框架，包括一个基于 Laplacian 结构相似性指数（LaSSIM）的结构保留的客观评价方法，以及一种新的无监督 GAN 方法，名为 Laplacian 医学图像增强（LaMEGAN），该方法在保留原始结构输入的同时提高了图像质量，具有较高的质量分数。

Apr, 2023

本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。

May, 2023

本文介绍了一种名为 Gradient Siamese Network 的图像质量评估方法，使用中心微分卷积获取图像对之间的语义特征和细节差异并通过空间注意力引导网络集中在与图像细节相关的区域，通过多级融合方法改善了特征利用效率，并成功地将 KL 散度损失应用于图像质量评估任务。该算法在 NTIRE 2022 感知图像质量评估挑战的全参考轨道 1 中获得了第二名。

Aug, 2022

本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN)，利用调制机制和质量损失函数增强图像的视觉质量，消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。

Dec, 2020

通过使用轻巧的条件生成对抗网络，通过调制编码学习任务形式化低照度图像增强，从而学习从低光到正常光图像空间的一对多关系，使我们的推理模型轻松适应各种用户喜好，并在噪声和干净数据集上实现了有竞争力的视觉和定量结果。

Oct, 2021