该研究提出了一种基于扩散生成模型的测试时间自适应方法（DDA），该方法可在不重新训练模型的情况下通过对输入数据进行自适应来提高模型在移位目标数据上的准确性，并在ImageNet-C基准测试中展现了更加鲁棒的表现。

Jul, 2022

提出了一种基于标注伪影的流程，用于深度学习在皮肤病变分析中的领域适应性评估与去偏倚。在具有不同程度偏差的数据集上进行建模，并利用基于皮肤病变的数据集进行域通用化。在测试时去除推理图像中的伪特征，实验表明该流程在有偏数据集的表现指标有所提高，且对于伪影的忽略具有较好的效果，但在外部数据集上的表现较差，尤其需要对于皮肤病变分析的公平性更加关注。

Aug, 2022

深度学习诊断系统在标注训练样例充足时，已展示出在分类皮肤癌症状况方面的潜力。然而，皮损分析经常面临标注数据稀缺的问题，阻碍了准确可靠的诊断系统的开发。在本研究中，我们利用多个皮损数据集，并探讨了各种无监督领域自适应（UDA）方法在二元和多类别皮损分类中的可行性。特别是，我们评估了三种UDA训练方案：单一来源，综合来源和多来源。我们的实验结果表明，UDA在二元分类中效果显著，当减少不平衡时，进一步提高。在多类别任务中，其性能不太明显，并且需要解决不平衡问题以实现高于基准的准确性。通过我们的定量分析，我们发现多类别任务的测试误差与标签偏移强相关，而特征级UDA方法在处理不平衡数据集时存在局限性。最后，我们的研究揭示了UDA可以有效减少对少数群体的偏见，并促进公平，即使不明确使用面向公平的技术。

Jul, 2023

通过利用人-机循环方法中的正（如病变区域）和负（如图像伪影）关键点，我们提出了一种名为TTS（测试时选择）的方法，该方法可以在不重新训练的情况下有效地使模型避免利用伪影相关的关联，并具有较少的标注需求，从而解决了皮肤病变分析模型受到图像伪影的偏见影响的问题。我们展示了在ISIC2019数据集上的应用，演示了我们的模型是如何在现实世界中减轻偏见的。

Aug, 2023

应用扩散模型结合病灶特定的视觉和文本提示生成皮肤镜检测图像，相对于传统生成模型在图像质量和皮损分割性能上表现更优，SSIM图像质量指标提高9%，Dice系数超过先前方法5%以上。

Oct, 2023

深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤-痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

Oct, 2023

通过使用扩散模型生成反馈，Diffusion-TTA方法可以将预先训练的判别模型适应到测试集中的每个无标签示例，并通过反向传播梯度来最大化图像似然目标，从而显著提高各种大规模预训练判别模型的准确性。

Nov, 2023

这篇论文介绍了一种新的基于引导的扩散驱动自适应方法，通过引入详细和全局的引导信息以及考虑分类器的引导信息，解决了测试数据与源域之间的语义信息丢失和模型偏移问题，并在多个实验中取得了显著的改进。

Dec, 2023

研究探讨了通过稳定扩散模型生成的皮肤镜合成数据的利用，作为增强机器学习模型训练鲁棒性的策略。实验结果表明，通过稳定扩散模型生成的合成数据有助于提高卷积神经网络和视觉转换器模型的鲁棒性和适应性，对于两个不同的真实世界皮肤病变数据集，其效果显著。

Jan, 2024

本研究针对皮肤病诊断中不同肤色间的信息差距问题，提出了一种结合迁移学习和领域适应的新方法。通过利用多种来源的预训练模型，并在多样皮肤影像数据集上进行评估，研究显示该方法能够有效提升皮肤疾病预测的准确性和包容性，特别是对暗肤色皮肤病的表现。主要发现是，Med-ViT模型表现最佳，展现了更全面的特征表示能力。

Sep, 2024