通过引入自监督手术视频去烟除雾（SelfSVD）方法，我们解决了合成烟、处理密集烟雾以及提高烟雾去除效果的问题，并构建了一个真实手术视频数据集，实验证明 SelfSVD 比现有方法更有效地去除烟雾并恢复更真实的细节。

Mar, 2024

我们提出了一种轻量级的 GAN 框架 PFAN 用于腹腔镜图像去烟雾处理，结合了 CNN 和 Transformer 的优势，在频域中进行渐进式信息提取，有效地去除了腹腔镜图像中的烟雾，并在 Cholec80 数据集上表现出色。

Dec, 2023

本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

Oct, 2021

研究通过使用基于深度显著性网络的新型视频烟雾检测法来提高烟雾的检测精度，并成功利用像素级和目标级显著卷积神经网络来提取信息烟雾显著性图，并使用端到端的框架来进行可靠的烟雾检测和预测。

Sep, 2018

我们提出了一种新的方法来从单眼内窥镜获取的图像序列中进行三维重建。该方法基于两个关键观点：内腔是密封的，可以通过使用符号距离函数来建模；场景照明是变化的，来自内窥镜的光源并随着到表面的距离的平方反比而衰减。通过修改 NeuS 架构以考虑亮度和深度之间的关系，并引入经过校准的内窥镜相机和光源的光度模型，我们的方法是第一个在整个结肠部分产生密封重建的方法。我们在幻影影像上展示了出色的准确性。密封先验结合照明衰减的显著性使得我们能够以可接受的准确性完成未见过表面的重建，为癌症筛查探测的自动质量评估、测量观察到的黏膜的全局百分比铺平了道路。

Sep, 2023

本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法，利用合成的低光模拟数据构建数据集，通过使用两个注意力图指导亮度增强和降噪任务，并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强，该方法在多个数据集上表现优异，比当前最先进的方法有更好的定量和视觉效果。

Aug, 2019

本文提出了一种轻量级网络，采用 Siamese Self-Attention Block (SSAB) 和 Skip-Channel Attention (SCA) 模块，提高了模型对全局信息的聚合能力，适用于高分辨率图像，并且基于对低光图像恢复过程的分析，提出了一个优于现有方法的二阶段框架，能够在保持最先进的恢复质量的同时，用最少的计算量恢复一张 UHD 4K 分辨率的图像。

Dec, 2023

使用贝叶斯生成模型同时估算模型参数和预测来提高烟雾分割的准确性，在像素距离和透射特征基础上设计了传输引导局部相干损失以学习像素之间的关系，提供了一个高质量的数据集 SMOKE5K，实验结果表明我们的模型实现了准确的预测和可靠的不确定性映射。

Mar, 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

本文提出了一个新颖的端到端注意力图神经网络模型，用于根据手术前参考分割和治疗期间所采集的 2D MRI 横截面图像来实时生成肝脏的三角形形状，模型使用图神经网络处理图形数据，并能够捕捉非欧几里得域中的隐藏模式。与现有方法不同的是，该方法完全在网格结构中生成形状并基于替代图像正确推断网格形状和位置。提出了两种实时方法来使肝脏网格顶点与治疗期间获得的 2D 图像相对应，并引入了一种新型任务特定身份信息损失来限制图神经网络中肝脏的变形。该方法的平均误差为 3.06 +- 0.7 毫米，L2 范数下的 Chamfer 距离为 63.14 +- 27.28。

Mar, 2023