LSD3K：腹腔镜手术图像烟雾去除的评估基准
通过图像翻译方法，我们生成了外科镜检查图像的大量合成数据集，并展示了这样的数据集可用于训练和提高肝脏分割模型性能的可能性。
Jul, 2019
提出了一种基于Focus和Separation Network（FoSp）的早期烟雾分割方法，通过引入双向级联的Focus模块来定位和确定雾霾的范围，使用Separation模块将雾霾图像分离成纯雾霾前景和无烟雾背景，提高了分割精度，最终在新的高质量数据集SmokeSeg上取得了最佳表现。
Jun, 2023
通过扩散生成模型，我们提出了一种直观的方法来从短文本提示生成合成的腹腔镜图像，采用最先进的文本到图像架构，在图像引导手术领域，特别是腹腔镜和机器人辅助手术方面，得到了依靠合成图像数据和虚拟手术训练方法的强力帮助。
Dec, 2023
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
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
本文提出了一种新颖的方法，用于从腹腔镜图像中去除烟雾。该方法采用了二阶段网络来估计烟雾分布并重建清晰的无烟手术场景，光度通道的利用对提供烟雾密度的重要信息起着关键作用。实验结果表明，该方法在峰值信噪比方面比现有最先进的方法高出2.79％，运行时间也减少了38.2％。总体上，与现有最先进的方法相比，该方法在烟雾去除质量和计算效率方面具有可比甚至更优秀的性能。
Apr, 2024
通过引入仿真手术图像的逼真非对抗性破坏，本研究旨在提高在手术环境中机器学习模型的准确分割性能，以便支持机器辅助手术。
Jul, 2024