本研究提出了MuTri框架，旨在改善光学相干断层扫描（OCT）到光学相干断层扫描血管造影（OCTA）图像的翻译效果。该框架通过向量量化变分自编码器进行预训练，并引入语义和血管结构对齐技术，实现了有效的OCT到OCTA映射。此外，研究还收集了第一个大规模数据集OCTA2024。

本研究提出了一种基于随机最优控制的统一扩散桥框架UniDB，旨在解决现有扩散桥模型在图像翻译和修复中存在的模糊和细节损失问题。通过优化问题的求解，UniDB显著提高了图像细节保留和输出质量，验证了其优越性和适应性。

本研究提出了一种新方法，通过低维线性规划优化高斯混合模型（GMM）之间的分布，以降低计算Schrödinger桥的训练成本。该方法在图像翻译等低至中等维度问题上表现优于现有的熵最优传输方法。

本研究提出了一种新方法，通过对比学习优化图像翻译中的物体外观，减少对昂贵注释的依赖，提升跨域物体检测性能。实验结果显示，该方法在多个跨域检测任务中表现出色，具有重要研究价值。

本文探讨了图像翻译方法的进展，特别是结合有监督与无监督技术的新框架和模型，以提高图像质量和多样性。研究表明，基于生成对抗网络的两阶段训练策略能有效提升可见光与红外图像之间的转换准确性，显著提高了性能。

本文提出了一种基于图像翻译的创新方法，旨在缩小机器人学习中的模拟与现实之间的差距。实验结果表明，该方法提高了任务成功率，减少了完成任务的步骤，并促进了微创手术机器人自主性的提升。

本文提出了一种基于物理约束的深度学习建模和不确定性量化方法，旨在解决小样本问题，适用于偏微分方程的预测。研究比较了不同的不确定性估计技术，结果表明合奏和自举法优于MC-Dropout。此外，介绍了基于条件生成对抗网络的图像翻译方法和结合高斯过程回归的快速在线预测模型，验证了其在热管理系统中的有效性。

本研究通过三项改进措施解决了CycleGAN在无配对数据集上图像翻译时的像素级循环一致性问题，显著提高了图像质量。

本文介绍了一种基于深度学习的图像转换方法，利用生成对抗网络（GAN）和多输入域实现高效的图像翻译。研究提出的新损失项和框架显著提升了多类别图像翻译的性能，在不同领域和复杂任务中表现优越。

该论文提出了多种基于深度学习的模型，包括新型ResNet架构、MgNet模型和FluxGAN，旨在提高图像分类、热传导预测和图像翻译的效率与准确性。这些模型在处理复杂任务时表现出更好的性能和较低的计算成本，尤其在热喷涂涂层设计和热管理系统中具有广泛应用潜力。

本文提出了一种结合扩散模型和生成对抗网络的合成孔径雷达（SAR）图像翻译框架，显著提升了推理速度和图像质量。同时，研究了SAR数据在洪水检测和图像彩色化中的应用，提出了多种新算法和评估指标，验证了其在图像生成和处理中的有效性。

本文介绍了一种利用未标记图像和大型语言模型自动生成标签的方法，显著提升了零样本分类器的性能，多个数据集的提升可达11.7%。该方法能够在没有训练数据的情况下识别对象，并从无监督文本中获取知识，推动了图像翻译和视觉分类器的无监督学习发展。

该文介绍了一种基于强化学习的图像到图像翻译框架，使用轻量级模型逐步转换源图像到目标图像，并引入次级策略和计划的概念来解决高维连续状态和动作空间的问题。同时，采用特定任务的辅助学习策略以稳定训练过程并提升性能。

该研究提出了解决图像翻译偏差问题的新框架，通过目标到源的翻译和预测标签中的重构实现。实验结果表明，该方法在城市场景理解中表现良好。

本文提出了一种基于条件扩散模型的图像到图像转换框架，并在四个具有挑战性的任务中测试。作者提倡一个基于ImageNet的统一评估协议，期望在推进图像翻译研究方面起到作用。最后，作者展示了通用的多任务扩散模型的执行效果与任务特定的专家模型相当或更好。