基于深度学习的细胞追踪方法，通过细胞的时空领域实现准确追踪，并能学习细胞的运动模式，适用于处理大量带有重要特征的视频帧。

Aug, 2023

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

本研究使用神经网络将细胞形状表示为符号距离函数的水平集，从而生成具有高相似度的 3d + 时间细胞形状，并使用图像到图像模型合成了相应的显微镜图像。

Apr, 2023

通过模仿生物进化的方式，本研究引入了一种名为 Generative Cellular Automata (GeCA) 的新模型系列，作为一种有效的补充工具，用于视网膜疾病分类的两种成像模式：Fundus 和光学相干断层扫描（OCT）。在 OCT 成像的背景下，GeCA 显著提升了 11 种不同眼科疾病的性能，相较于传统基线模型，平均 F1 分数提高了 12%。在相似的参数限制下，GeCA 优于融合 UNet 或基于 Transformer 的去噪模型的扩散方法。

Jul, 2024

利用生成模型和数据增强方法改进半监督语义分割的性能，生成高质量训练数据，缩小与完全监督分割方法之间的差距。

Nov, 2023

本文提出了一种针对任务的合成数据生成方法，通过训练可训练的合成器网络产生有意义的样本，并与现实世界的图像相关的判别器配对来生成逼真的数据，再通过加入混合术来提高训练目标分类器的不变性，实验结果表明该方法在不同的目标网络上的应用可以显著提高检测性能。

Apr, 2019

本研究使用 3D 可变形面部模型，通过合成数据生成具有不同面部身份和完全控制的姿态、光照和背景的图像，观察到利用合成数据可以显著降低对真实世界图像需求，在预训练后，通过微调真实图像，合成数据与真实数据相结合的模型可获得更高的性能，而且并没有负面影响。

Feb, 2018

使用生成模型在工业数据上重新生成自我标记的有缺陷图像，从而优化真实工业使用情况下的裂缝分割器，显示了该方法在生产环境中的潜力。

Jan, 2024

这篇论文对合成数据增强技术进行了广泛评估，包括基于真实 3D 图形建模、神经风格迁移、差分神经渲染、生成对抗网络和变分自编码器等生成人工智能技术。对于每一种方法类别，我们关注重要的数据生成和增强技术、广泛的应用范围和具体的用例，以及现有限制和可能的解决方法。此外，我们总结了用于训练计算机视觉模型的常见合成数据集，强调主要特点、应用领域和支持的任务。最后，我们讨论了合成数据增强方法的有效性，并希望通过这篇详细的论文为读者提供必要的背景信息和深入了解现有方法及相关问题。

Mar, 2024

本文系统介绍了传统方法和深度学习方法，尤其是生成对抗网络（GAN）在面部合成方面的应用及其对身份保护的重要性，并讨论未解决的困难和未来研究方向。

Jun, 2017