本研究提出了一种纹理感知的StarGAN方法，旨在解决CT数据统一中的挑战，有效应对不同重建核导致的纹理变异，提升数据和模型的表现。

本文介绍了一种深度学习方法，用于伪装物体检测，利用多个纹理感知优化模块提取伪装物体与背景的细微纹理差异。实验结果表明，该方法在多个基准上优于现有技术，显著提升了检测精度和效率。

本文提出了一种自监督学习框架，通过三个自监督任务实现颜色和纹理感知特征学习，无需标签，性能较好。