本研究提出了一种名为Sub2Full的自监督去噪策略，以改善光学相干断层扫描（OCT）图像中的散斑噪声。通过深度学习和超分辨率技术，提升了眼科临床决策的准确性。同时，开发了OCT-SelfNet框架，结合多数据集进行眼部疾病检测，显著提高了性能，展现了在临床应用中的潜力。

本文介绍了一种利用去噪扩散概率模型将肿瘤组织转化为健康组织的方法，基于MRI图像中的异常组织分析。该方法在验证集上表现良好，未来将扩展至整体修复感兴趣区域。研究还探讨了3D修复任务及其在MRI数据中的应用，提出了自监督去噪技术，并展示了其在医学影像分割中的有效性。

本研究展示了一种深度学习模型，用于自动检测MRI图像中的运动伪影，提升数据质量和分析效果。该模型通过数据增强和自监督去噪方法，显著提高了图像处理的鲁棒性和准确性，特别适用于资源匮乏的环境。

本文研究了无监督的手绘草图到照片的合成方法，通过两阶段翻译任务、自监督去噪目标和注意力模块处理抽象和风格差异，生成忠实于草图且逼真的图片，可用于图像检索和捕捉人类视觉感知。