本文介绍了一种基于自注意力机制的生成对抗网络（SAGAN），它能够在图像生成任务中实现关注驱动的远距离依赖关系建模，并通过对 GAN 生成器实施谱归一化技术，取得了对图像生成任务来说最好的表现。

May, 2018

运用无监督学习的方法，基于深度卷积生成对抗网络提出一种新的异常检测方案 AnoGAN，在视网膜光学相干断层成像（OCT）中成功地识别出包括视网膜液体或增强反射点在内的异常图像。

Mar, 2017

使用条件生成对抗网络，将输入图像映射到较低的维度向量，从而最小化训练时这些图像和潜在向量之间的距离，学习正常样本的数据分布，并在推理时利用学习到的数据分布，在各种基准数据集上表现出比先前最先进方法更好的模型性能

May, 2018

提出了一种无监督的医学异常检测生成性对抗网络（MADGAN）方法，使用基于生成性对抗网络的多个相邻脑磁共振成像切片重建来检测不同阶段的脑部异常，可在 T1 扫描中以 AUC 0.727 的曲线下面积检测轻度认知障碍（MCI）下的阿尔茨海默病，在晚期以 AUC 0.894 检测 AD，并可在 T1c 扫描中以 AUC 0.921 检测脑转移和其他疾病。

Jul, 2020

医学图像合成（MIS）在智能医疗领域起着重要作用，极大节省了医学诊断的经济和时间成本。我们提出了混合增强生成对抗网络（HAGAN），通过注意力混合生成器、分层鉴别器和鉴别器与生成器之间的反向跳跃连接来保持结构纹理和组织细胞的真实性，提高合成图像的病理完整性和局部特征的准确性。在 COVID-CT、ACDC 和 BraTS2018 三个不同规模的数据集上进行的实验评估表明，HAGAN 优于现有方法，在高分辨率和低分辨率方面均达到了最先进的性能。

May, 2024

本文提出了基于注意力机制的生成对抗网络 AGGAN，在生成图像时使用内置的注意力机制检测最具有辨别性的语义部分并最小化不需要的部分的变化，训练过程中同时考虑对抗损失、循环一致性损失、像素损失和注意力损失，实验表明 AGGAN 比现有模型能够生成更加清晰和准确的图像。

Mar, 2019

使用卷积对抗变分自编码器与引导注意力和注意力扩张损失的方法，可在无监督和弱监督低异常样本下精确定位异常区域，结果表明 CAVGA 在几个测试数据集上优于目前最先进的异常检测方法。

Nov, 2019

该研究提出了一种基于对抗生成的异常检测方法（AGAD），该方法利用大规模正常数据生成上下文对抗信息生成伪异常数据，解决了异常数据获取困难的问题，显著提高了半监督和有限监督情况下的检测准确率。

Apr, 2023

精确的癌症诊断在数字病理学中仍然是一个重要挑战，主要是由于全幻灯片图像中的巨像素大小和复杂空间关系所致。本文引入一种名为 Semantics-Aware Attention Guidance（SAG）的新框架，通过将诊断相关实体转换为注意信号和灵活的注意力损失，有效地整合了组织解剖和癌症区域等语义信息，在两个不同的癌症数据集上的实验证明了模型准确性、精度和召回率的持续改进，并揭示了启发式引导的结合使模型能够关注诊断关键区域。SAG 不仅对于所讨论的模型有效，其适应性还可扩展到任何基于注意力的诊断模型，从而为进一步提高癌症诊断的准确性和效率打开了令人兴奋的可能性。

Apr, 2024

该论文提出一种基于自注视网络和显著性先验的半监督语义分割模型，能够准确地定位并分割图像区域，且在 PASCAL VOC 2012 上的表现优于目前所有其他先进方法。

Oct, 2019