探索了无配对图像翻译技术在手术应用中生成具有语义一致性数据的可行性，并发现结构相似性损失和对比学习的简单组合方法取得了最有希望的结果。定量分析表明，使用这种方法生成的数据具有更高的语义一致性，可以更有效地用作训练数据。

Sep, 2023

本文提出了一种新的基于对比学习与双学习设置的方法，用于有效地推断未匹配数据之间的映射，同时解决了 “切割” 方法存在的潜在问题，并通过大量的消融研究和多个挑战性的图像翻译任务展示了优越的性能。然后，我们证明了非监督方法和监督方法之间的差距可以被有效地缩小。

Apr, 2021

本文旨在将有监督和无监督的图像翻译方法相结合，在像素到像素图像翻译领域取得了重大突破，提出了一种选择非常少的配对训练样本的方法，并在训练过程中同时使用这些配对样本和未配对样本，从而比 Random Selection 获得了更好的性能。

Sep, 2019

应用 3D 循环 GAN 框架，无创生成视网膜共聚焦图像，从而进一步增强眼科诊断和监测能力。

Nov, 2023

本研究提出了一种统一的图像到图像翻译 (I2I) 模型，以纠正商品网站上不同产品类型的多个缺陷，该模型利用注意机制层次化地结合高层次的缺陷组和特定的缺陷类型，指导网络关注与缺陷相关的图像区域，并在实际购物网站数据集上进行测试，相较于 WS-I2I，该模型平均通过 63.2% 减少了 Frechet Inception Distance (FID)。

Sep, 2023

本文提出了一种无监督、基于对比学习的图像翻译方法，其主要思想是学习一个判别器，将不同的图像风格区分开来，并使其监督生成器将这些风格在图像之间进行转移。实验结果表明，该方法在视觉质量和翻译准确度方面优于当前领先的无监督基线模型。

May, 2021

通过在预训练的 StyleGAN2 模型上进行一系列的模型变换，我们提出了一种新的图像到图像 (I2I) 转换方法，并提出了一种反演方法，以在源领域和目标领域之间进行 I2I 翻译。定性和定量评估证明了该方法在图像质量、多样性和与输入和参考图像的语义相似性方面具有优越性能，与最先进的作品相比。

Oct, 2020

我们提出了一种新的空间相关损失函数，用于保持场景结构的一致性，支持图像转换过程中的大幅度外观变化，在单模态、多模态和单图像转换的所有三种非配对图像到图像的转换模式中都表现出显著的改进。

Apr, 2021

本文提出了第一个半监督（半配对）的框架，用于标签到图像的翻译，使用输入重构任务并利用条件鉴别器来作为反向生成器，证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法，同时使用更少的配对样本。

Jun, 2023

光相干断层扫描（OCT）是一种非侵入性的显微成像模式，已在眼科临床中成为标准。我们提出了一个新的照明模型，利用正交扫描体数据的连续性来减少照明伪影，优化了 OCT 图像重建中的三维逆模型。此方法在眼科病理数据的评估中显示在 88% 的数据中减少了照明伪影，并且只有 6% 的数据中存在轻微残余的照明伪影。该方法使得前向运动校正数据的使用更准确，并且在 OCT 中实现了超采样和高级三维图像重建。

Feb, 2024