本文提出了一种使用生成对抗网络（GAN）进行电子显微镜（EM）图像分割的方法，分为两个阶段：第一阶段是合成标签 “图像”，第二阶段是 EM 图像合成，从而实现标签 - 图像配对的完整模型，该方法可以通过不同的评估手段（如形状特征和全局统计量、分割准确性、用户研究）获得准确且逼真的合成 EM 图像。

Mar, 2020

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

本研究使用生成式对抗网络（GAN）创建临床图像合成，提出了适应于特定皮肤病状的 DermGAN，并使用合成图像作为数据增强技术，提高了皮肤病分类器的性能。

Nov, 2019

该研究提出了一种基于笔画先验限制的生成对抗网络 SkrgAN，用于合成医学影像，实验结果表明该方法在各种图像模态下均能达到最先进的效果，并且用于数据增强可以提高医学图像分割方法的表现。

Aug, 2019

本文提出一种新的基于多尺度补丁的生成对抗网络方法，用于生成大型高分辨率的医学图像，尤其是 3D 体积，解决了 GANs 对于大规模医学图像的计算需求问题。

Jul, 2019

提出了一种新的方法 ——GenEM，该方法是将物理准确的冷冻电镜模拟和生成式非成对噪声转换相结合，生成具有真实噪声的合成冷冻电镜数据集，用于改善高分辨率蛋白质结构的重建分辨率。

Dec, 2023

本研究提出了一种基于统计特征而非单个补丁的鉴别器架构，通过多尺度的关键统计特征的分布匹配稳定网络，从而简化了框架并增强了细节，用于无监督的图像转换，包括自拍到动漫，男性到女性和眼镜移除等应用场景，并在各种挑战性应用程序中超越了现有的最先进模型。

Mar, 2021

我们提出了一种新颖的框架 InfinityGAN，用于与任意大小的图像生成相关的任务，它在资源和真实性方面具有优越性能，并可应用于空间风格融合、多模式外油漆和图像中间。

Apr, 2021

本文介绍了一种名为 EpiGRAF 的高分辨率，高保真纯 3D 图像生成模型，旨在解决通过训练 2D 解码器进行高清分辨率图像生成的问题，该模型通过基于 patches 的不同比例和空间位置的位置和比例感知辨别器以及基于淬火 Beta 分布的 patch 采样策略的两种方式优化训练，最终取得了业内最先进的图像质量和几何形态 。

Jun, 2022

本研究提出了一种新的生成对抗网络 (GAN) 方法，利用数据增强及信息流构建模块等技术，在摩托车、马和沙发等 50 类别的草图上合成逼真的图像，并在 Inception 分数上取得显著的改进。

Jan, 2018