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。

本文介绍了多种基于深度学习的遥感图像处理方法，包括伪孪生卷积神经网络的图像匹配、SAR到光学图像转换算法以及基于GAN的无监督编辑框架。这些方法在提高图像质量、准确性和处理速度方面表现出色，推动了遥感领域的发展。

本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描技术自动识别视网膜疾病，取得了良好效果。通过深度学习和超分辨率技术，改善眼科临床决策，克服有限注释数据的挑战。此外，研究介绍了新型超广角光学相干断层扫描血流成像技术，并构建了M3OCTA数据集，推动眼科图像分析的发展。

本文探讨了图像风格迁移中的CycleGAN方法，提出了一种基于不确定性感知的广义自适应周期一致性概率方法，以提升无配对图像转换的性能。同时，研究了无监督图像翻译中的自我攻击问题，并提出了防御技术以提高生成质量。此外，介绍了Augmented CycleGAN和AsymmetricGAN模型，改善了缺乏配对数据情况下的图像处理效果。

本研究提出了一种利用生成对抗网络（GAN）合成MRI图像的方法，旨在提高医学影像的准确性和效率。通过CycleGAN和特征提取器生成合成图像，验证了其在肿瘤分割和组织病理学分析中的有效性。这种技术可作为数据增强工具，解决病理发现率低和患者数据共享限制的问题。

本研究利用CycleGAN等深度学习技术生成高质量医学图像，改善超声图像的分辨率和对比度，提升病变识别能力，简化诊断流程，展示了在临床中的可行性。

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