本文提出一种基于变分规范化和内容适应损失的新型无配对医学图像增强方法，能够有效地引入高质量信息来指导低质量图像的增强，并通过双层学习方案来优化图像增强及下游任务。实验证明该方法在增强质量和下游任务性能方面超越了现有技术。

Jul, 2023

本文提出了一种名为 URIIE 的通用识别友好型图像增强网络，它可以处理各种图像降噪因素，通过在现有识别模型前增强输入以提高其性能，从而改善了现有模型在面对扭曲和模糊图像时的识别能力。

Jul, 2020

基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

Aug, 2023

在 AI 领域中，我们提出了一种名为 UDE 的 U (niversal) D (ebiased) E (diting) 策略，其通过生成 UDE 噪声来掩盖医学图像中的虚假相关性，解决了使用 FM API 时医学图像偏见的挑战，并展示了该方法在维持公平性和效能方面的有效性。

Mar, 2024

该论文提出了一种新的统一的多模式图像综合方法，包括通过生成敌对网络从任意可用模式的组合中合成丢失的模态，并使用共性和差异敏感编码器及动态特征统一模块来提高图像合成质量和适应性，实验结果表明该方法在处理多种综合任务时具有优越的性能。

Apr, 2023

本文提出了一种智能非监督个性化增强器（iUPEnhancer）用于低光图像处理，该增强器根据亮度、色度和噪声三个用户友好的特征来建立低光与未配对参考图像之间的关系，并利用相应的非监督损失函数进行训练，在增强过程中展示上述特征及过程，实验证明该算法在保持灵活性和可扩展性的同时，产生了有竞争力的定量和定性结果。

Jul, 2022

通过使用 T 形模型架构对低分辨率图像进行全局结构信息的捕捉，并逐步恢复细节，我们提出了一种轻量级的 DDPM（LighTDiff），该模型在保留性能的同时显著减小了模型大小。同时，我们引入了时间光单元（TLU）来实现稳定训练和改善去噪结果，通过与去噪图像特征建立时间步骤的关联，建立去噪步骤的时间依赖性。此外，我们还引入了色度平衡器（CB）来缓解扩散模型中可能存在的光谱变化问题。我们的 LighTDiff 在计算效率方面优于许多竞争的 LLIE 方法。

May, 2024

提出了一种名为 UMed 的非可学习医学图像生成方法，它通过注入轮廓和纹理感知的扰动来保护图像，从而仅对医学图像分割关键特征进行干扰，达到更大的隐蔽性和保护性能。

Mar, 2024

通过将训练于大规模开放领域数据集的扩散模型变为生成先验，提出了一种新颖的基于扩散模型的低光图像增强方法，称为 LDM-SID，该方法通过向扩散模型中插入一组所提出的驯服模块来引导其生成过程，并在观察到扩散模型不同部分的特定生成先验后，将低频内容生成和高频细节维护二分，从而实现对扩散模型的优化结构生成和细节增强。广泛实验证明该方法在定量评估中实现了最先进的性能，并在视觉比较中显示出显著的优越性，从而强调了利用预训练的扩散模型作为 LLIE 任务的生成先验的有效性。

Dec, 2023

该研究提出了一种新颖的物理感知双流水下图像增强网络（PA-UIENet），该网络利用物理学基础的水下图像形成模型（IFM）和深度学习技术进行水下图像增强任务，并采用受 IFM 启发的半监督学习框架来解决数据不足的问题。该方法在降解估计和水下图像增强任务上表现优于八个基准模型。

Jul, 2023