本研究提出了一种新方法，通过范围-零空间分解（RND）解决高光谱图像生成中的无配对数据对齐问题，并利用对比学习提升生成性能，建立了新的基准。

本文提出了一种名为SurgicaL-CD的新方法，通过一致性蒸馏扩散技术在无配对数据的情况下生成高质量的手术图像，解决了外科领域标注数据稀缺的问题。研究表明，该方法在图像质量和训练数据集的效用上优于现有的生成对抗网络和扩散模型，为计算机辅助外科系统的发展提供了新思路。

本文探讨了多种生成模型在图像处理中的应用，包括基于Schrödinger桥的生成建模、无配对数据图像翻译和变分薛定谔扩散模型。这些方法在生成速度、样本质量和可扩展性方面表现出色，尤其在医学图像恢复和超分辨率任务中。

本文提出了一种新的无监督学习范例（USIS），通过使用自监督分割损失和基于整个图像小波的鉴别方法，结合在小波域中的生成器结构，实现了语义图像合成（SIS）的无配对数据情况下的性能提升。在三个数据集上进行测试，证明了新方法的有效性。

本文提出了一种用于无配对数据的跨领域面部重现方法，通过转换器在共同的潜变量空间对齐和转移不同领域中的动作。实验结果表明该方法优于其他竞争方法。