本研究利用CycleGAN模型解决了FA图与束流图谱之间的空间不对齐问题，首次在健康和肿瘤组织中生成高保真FA图，显示出在肿瘤区域的优异表现，具有增强临床工作流程的潜力。

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。

远程感知领域中，缺乏立体匹配和准确地面真实数据制约了深度神经网络的训练。通过图像到图像翻译和立体匹配的能力提供了有效解决方案。基于边缘感知的生成对抗网络通过联合优化两个任务，解决了域泛化问题。该模型产生了更好的定性和定量结果，并适用于自动驾驶等领域。

光相干断层扫描（OCT）是一种非侵入性的显微成像模式，已在眼科临床中成为标准。新的照明模型利用正交扫描体数据的连续性来减少照明伪影，优化了OCT图像重建中的三维逆模型。该方法在眼科病理数据的评估中显示在88%的数据中减少了照明伪影，并且只有6%的数据中存在轻微残余的照明伪影。该方法使得前向运动校正数据的使用更准确，并且在OCT中实现了超采样和高级三维图像重建。

本文介绍了AsymmetricGAN模型，用于解决非对称翻译任务中的问题。该模型采用不对称大小和参数共享策略的翻译和重建生成器，通过优化损失来提高训练效果和稳定性。实验证明该模型具有更强的模型能力和更好的生成效果。

本研究使用生成性对抗网络训练生成合成MRI图像，提高肿瘤分割性能并证明生成模型作为匿名化工具的价值，为解决医学成像中的挑战提供潜在解决方案。

本研究使用深度学习框架Pix2Pix GAN合成3D MRI体积，结果显示合成的MRI图像与预期结果相似，展示了深度学习在超声到MRI转换中的潜力。需要进一步改进和探索以提高临床相关性。

使用任务为基础的图像质量（IQ）评估方法，结合随机物体模型、生成对抗网络和噪声测量数据，本文提出了一种名为 AmbientCycleGAN 的新型方法，能够稳定地建立医学图像中的随机物体模型，并能控制合成物体的图像特征。

UNAS是一个集成了最新DNAS和RL方法的框架，能在低成本下搜索可微与不可微标准的架构。在CIFAR-10、CIFAR-100和ImageNet数据集上的实验表明，UNAS的平均精度优于DARTS空间的架构，并能在ProxylessNAS空间中找到高效准确的架构，超越MobileNetV2。

该研究使用生成性对抗网络训练生成合成MRI图像，提高肿瘤分割的性能，并证明了生成模型作为匿名化工具的价值。这为解决医学成像中机器学习面临的挑战提供了潜在的解决方案。

该研究使用生成对抗网络（GAN）框架，通过特殊设计的生成器网络，从两个正交 X 射线重构 CT，提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

CycleGAN图像翻译模型，由两个生成网络和两个判别网络组成，通过非成对的图片将某一类图片转换成另外一类图片，可用于风格迁移