Picard Proximal Monte Carlo for Parallel Bayesian Imaging with Score-Based Generative Priors
Johns Hopkins University（约翰斯·霍普金斯大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
针对贝叶斯成像逆问题采样成本高的痛点，提出基于近端朗之万动力学与Picard迭代的并行采样框架PiX-MC，实现50倍加速且保持重建质量
2026-08-19 cs.LG
Fit Like You Sample: Sample-Efficient Generalized Score Matching from Fast Mixing Diffusions
Carnegie Mellon University（卡内基梅隆大学）
该研究揭示马尔可夫过程混合时间与广义得分匹配损失的关联，通过扩散预处理、温度提升等技术构建更优损失，证明有限高斯混合下退火得分匹配的样本复杂度为多项式级，突破原有下界。
2023-12-13 cs.DS cs.LG
Score-Based Density Estimation from Pairwise Comparisons
Department of Computer Science University of Helsinki（计算机科学系赫尔辛基大学）
本文研究通过成对比较进行密度估计，提出利用温度化胜利密度进行学习，通过得分匹配估计目标密度，证明信念与胜利密度的得分向量共线性。
2026-03-25 cs.LG
A Quantitative Evaluation of Score Distillation Sampling Based Text-to-3D
AWS AI Labs（亚马逊云科技人工智能实验室）
针对文本到3D中SDS导致的Janus、错位和几何不准确问题，本文提出经人类评分交叉验证的定量指标，并据此设计高效基线模型以消除伪影并达到最优指标。
2024-02-29 cs.CV
Score-Based Generative Models for Molecule Generation
Julia Computing, Inc（Julia计算公司）；Deep Forest Sciences Inc.（深林科学公司）；Carnegie Mellon University（卡内基梅隆大学）
生成模型的最新进展使得探索从头分子生成的设计空间变得更加容易。然而，流行的生成模型，如GANs和规范化流，分别面临着由于对抗性训练和架构约束而导致的训练不稳定性等挑战。基于得分的生成模型通过使用分数函数近似对对数概率密度的梯度进行建模来回避这些挑战，而不是直接对密度函数进行建模，并使用退火Langevin动力学对其进行采样。我们相信，基于得分的生成模型可以开辟新的机会，在分子生成由于其架构的灵活性，如取代评分函数与SE（3）等变模型。在这项工作中，我们通过测试基于分数的分子生成模型的有效性奠定了基础。我们对来自ZINC数据集的150万个样本的自引用嵌入字符串（SELFIES）表示进行训练，并使用Moses基准测试框架来评估一套指标上生成的样本。
2022-03-07 cs.LG q-bio.QM
VIVAT: Virtuous Improving VAE Training through Artifact Mitigation
VIVAT通过抑制VAE训练中的常见伪影，提升图像重建和生成质量，实现更优的PSNR、SSIM和CLIP分数表现。
2025-12-01 cs.CV cs.LG cs.MM
Artifact-Aware Evaluation for High-Quality Video Generation
Southeast University（东南大学）；AMAP, Alibaba Group（阿里云AMAP）；CASIA
本文提出DVAR框架，通过GenVID数据集实现对视频生成缺陷的细粒度检测与分类，提升缺陷识别准确率并有效过滤低质量内容。
2026-01-28 cs.CV
Generative Modeling by Estimating Gradients of the Data Distribution
Stanford University（斯坦福大学）
我们引入了一个新的生成模型，其中通过Langevin动态使用分数匹配估计的数据分布的梯度来产生样本。由于当数据驻留在低维流形上时，梯度可能定义不清并且难以估计，因此我们用不同水平的高斯噪声扰动数据，并联合估计相应的分数，即，- 对于所有噪声水平的扰动数据分布的梯度的矢量场。对于采样，我们提出了一个退火的朗之万动力学，我们使用梯度对应逐渐降低的噪声水平的采样过程越来越接近的数据流形。我们的框架允许灵活的模型架构，在训练过程中不需要采样或使用对抗方法，并提供了一个可用于原则性模型比较的学习目标。我们的模型在MNIST、CelebA和CIFAR-10数据集上产生了与GANs相当的样本，在CIFAR-10上获得了8.87的最新初始得分。此外，我们证明了我们的模型通过图像修补实验学习有效的表示。
2020-10-10 cs.LG stat.ML
MCMC-Correction of Score-Based Diffusion Models for Model Composition
Fraunhofer-Chalmers Centre, Gothenburg, SE-412 88, Sweden（弗劳恩霍夫-查尔姆斯中心，哥德堡，瑞典）
本文提出基于分数的扩散模型结合MCMC校正，通过引入基于分数函数线积分的接受规则，实现无需显式能量参数化的高效采样，提升模型组合性能。
2026-04-01 cs.LG stat.ML
Automatic Correction of Internal Units in Generative Neural Networks
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Ulsan National Institute of Science and Technology (UNIST)（蔚山国立科学技术院）；INEEJI
生成对抗网络（GANs）通过设计复杂的网络结构和对抗训练方案，在合成图像生成方面表现出令人满意的性能。即使GANs能够合成逼真的图像，也存在许多具有缺陷视觉图案的生成图像，这些缺陷视觉图案被称为伪影。虽然最近的大多数工作试图通过扰动潜在代码来修复工件生成，但很少有人研究生成器的内部单元来修复它们。在这项工作中，我们设计了一种方法，自动识别产生各种类型的伪影图像的内部单元。我们进一步提出了顺序校正算法，该算法通过修改检测到的伪影单元来调整生成流程，以提高生成质量，同时保持原始轮廓。我们的方法优于基线方法的FID分数，并显示出令人满意的结果与人类的评价。
2021-04-13 cs.CV
JSMoCo: Joint Coil Sensitivity and Motion Correction in Parallel MRI with a Self-Calibrating Score-Based Diffusion Model
ShanghaiTech University（上海科技大学）；Shanghai Jiao Tong University（上海交通大学）
针对并行MRI中运动伪影与线圈灵敏度估计误差传播问题，提出JSMoCo方法，利用分数扩散模型作为先验，联合估计运动参数与灵敏度图，在fastMRI数据集上实现高质量重建。
2023-10-14 cs.CV eess.IV
Diffusion Path Samplers via Sequential Monte Carlo
Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系，英国）
本文提出了一种基于扩散路径的采样方法，通过顺序蒙特卡洛方法估计时间变化分布的得分和密度，适用于已知归一化常数的目标分布，并在不同路径上进行实验验证。
2026-05-08 cs.LG stat.CO stat.ML
Fidelity Preference, Not Demographic Preference: A Pixel-Level Attribute-Sensitivity Audit of Image Aesthetic/Preference Scorers
Peking University（北京大学）
该研究通过像素级干预审计4种图像评分器，发现评分器的主导效应是保真度偏好，合成审计会误判偏见，仅真实数据的图像内因果隔离可区分真实人口统计学偏见与保真度偏好。
2026-08-26 cs.AI cs.CV
ArtifactGen: Benchmarking WGAN-GP vs Diffusion for Label-Aware EEG Artifact Synthesis
Department of Behavior and Brain Sciences（行为与脑科学系）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本研究提出ArtifactGen基准，比较WGAN-GP与扩散模型在脑电伪迹合成中的表现，发现WGAN-GP频谱对齐更优，但两者类条件恢复均弱，为数据增强提供基线并揭示改进方向。
2025-09-09 cs.LG cs.NE q-bio.NC
DreamPolish: Domain Score Distillation With Progressive Geometry Generation
Zhipu AI（智谱AI）；Peking University（北京大学）；Tsinghua University（清华大学）
本研究提出文本到3D生成模型DreamPolish，通过多神经表征+法线估计的渐进几何生成优化表面伪影，结合域分数蒸馏提升纹理真实感与一致性，效果优于现有SOTA方法。
2024-11-03 cs.AI cs.CV
Score-based Diffusion Models in Function Space
NVIDIA Corporation（英伟达公司）
本文提出去噪扩散算子（DDOs）框架，将扩散模型推广到函数空间，通过高斯过程扰动和函数值退火朗之万动力学生成样本，并以固定成本准确生成纳维-斯托克斯方程解等函数值数据。
2025-01-22 cs.LG math.FA stat.ML
SCoRe: Clean Image Generation from Diffusion Models Trained on Noisy Images
Kyushu University（九州大学）
SCoRe通过频谱截止再生方法，有效抑制生成图像中的高频噪声，提升图像质量，无需重新训练。
2026-04-10 cs.CV
Audio-Visual Speech Enhancement with Score-Based Generative Models
Universität Hamburg（汉堡大学）
提出一种以视觉信息为条件、融合自监督视听嵌入与扩散模型的语音增强系统，实验证明其可提升语音质量、减少伪影并显著降低低信噪比下的ASR词错误率。
2023-06-02 cs.LG eess.AS
Latent Score-Based Bayesian Cramér-Rao Bound Estimation for High-Dimensional Imaging Systems
Oden Institute for Computational Engineering and Sciences, the University of Texas at Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学研究所）；Graduate School of Biomedical Sciences at UT Southwestern Medical Center（德克萨斯大学西南医学中心生物医学科学研究生院）；Mallinckrodt Institute of Radiology at Washington University in St. Louis（圣路易斯华盛顿大学马林克罗特放射学研究所）
提出数据驱动框架，在预训练变分自编码器潜在空间中估计高维成像系统的贝叶斯克拉美-罗界，引入Bochner空间切片分数匹配抑制高频伪影，并在百万参数qPACT乳腺成像中验证，获得稳定无伪影的界估计并揭示先验对设计方案的影响。
2026-10-06 cs.IT cs.LG cs.NA
Understanding Reward Hacking in Text-to-Image Reinforcement Learning
Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校）
本文提出了一种轻量的伪影奖励模型，用于缓解文本到图像强化学习中的奖励黑客问题，通过提高图像真实性和减少低质量生成。
2026-09-01 cs.CV
Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution
Stanford University（斯坦福大学）；Pika Labs（匹卡实验室）
本文提出得分熵损失函数，将得分匹配扩展到离散空间并构建 SEDD 离散扩散模型，在语言建模上超越现有扩散方法且优于 GPT-2，同时支持高效生成与可控填充。
2024-06-06 cs.CL cs.LG stat.ML
Debiasing Scores and Prompts of 2D Diffusion for View-consistent Text-to-3D Generation
Korea University（高丽大学）
针对文本到三维生成中的视图不一致问题，提出分数去偏和提示去偏两种方法，减少伪影并提升三维一致性。
2023-12-19 cs.CL cs.CV cs.GR
A deep learning framework for quality assessment and restoration in video endoscopy
University of Oxford（牛津大学）；Ludwig Institute for Cancer Research（路德维希癌症研究所）；Oxford University Hospitals NHS Foundation Trust（牛津大学医院NHS基金会信托）
内窥镜检查是用于诊断和微创手术治疗的常规成像技术。运动模糊、气泡、镜面反射、浮动物体和像素饱和等伪影阻碍了内窥镜视频的视觉判读和自动分析。鉴于内窥镜在不同临床应用中的广泛使用，我们认为，这种伪影的鲁棒性和可靠性的识别和损坏的视频帧的自动恢复是一个基本的医学成像问题。现有的最先进的方法只处理选定的文物的检测和恢复。然而，通常内窥镜检查视频包含许多伪影，这些伪影促使建立全面的解决方案。我们提出了一个全自动的框架，可以：1）检测和分类六个不同的主要文物，2）提供每帧的质量分数和3）恢复轻度损坏的帧。为了检测不同的工件，我们的框架利用快速多尺度，单级卷积神经网络检测器。我们引入了一个质量指标来评估帧质量和预测图像复原的成功。具有精心选择的正则化的生成对抗网络最终用于恢复损坏的帧。我们的检测器产生最高的平均平均精度（mAP在5%的阈值）为49.0和最低的计算时间为88毫秒，允许准确的实时处理。我们的恢复模型的盲去模糊，饱和度校正和修复表现出显着的改进，比以前的方法。在一组10个测试视频上，我们表明我们的方法平均保留了68.7%，比原始视频中保留的帧多25%。
2019-04-15 cs.AI cs.CV
Delta Score Matters! Spatial Adaptive Multi Guidance in Diffusion Models
The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州））；Griffith University & Data61/CSIRO（格里菲斯大学及Data61/CSIRO）
本文提出空间自适应多引导方法，通过几何分析解决扩散模型中细节与伪影的矛盾，提升语义对齐和结构完整性。
2026-04-29 cs.CV
Mi-Ripple: Restoring Images Degraded by Iterative AI Editing
Miyang Technology (Shanghai) Co., Ltd.（米扬科技（上海）有限公司）；Key Laboratory of System Software (Chinese Academy of Sciences)（中国科学院系统软件重点实验室）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）；Tianjin University（天津大学）
Mi-Ripple通过分离周期性伪影与颗粒纹理，结合频谱陷波、结构感知平滑和清洁参考再生，在保护结构的同时有效抑制迭代AI编辑引入的数字波纹，实现低失真恢复。
2026-09-11 cs.CV
Towards Fingerprint Mosaicking Artifact Detection: A Self-Supervised Deep Learning Approach
Austrian Institute of Technology（奥地利技术研究院）；TU Wien（维也纳技术大学）
针对指纹拼接易产生伪影的问题，本文提出自监督深度学习检测与评分方法，无需人工标注即可跨模态、跨数据源准确量化拼接错误。
2025-01-09 cs.CV cs.LG eess.IV
Metal Inpainting in CBCT Projections Using Score-based Generative Model
Friedrich-Alexander-Universit\"at Erlangen-N\"urnberg Pattern Recognition Lab Erlangen, Germany
在骨科手术期间，金属植入物或螺钉的插入通常在移动C形臂系统下进行。由于金属的高衰减，在三维重建中会出现严重的金属伪影，严重影响图像质量。为了减少金属伪影，已经开发了许多减少金属伪影的算法，其中投影域金属修复是必不可少的一步。在这项工作中，一个基于分数的生成模型的训练模拟膝盖投影和修复图像是通过去除噪声的条件恢复过程中获得。实验结果表明，与基于插值和CNN的方法相比，基于分数的生成模型修复的图像具有更丰富的细节信息，平均绝对误差最小，峰值信噪比最高。此外，基于分数的模型还可以恢复大圆形和矩形掩模的投影，显示了其在修复任务中的通用性。
2022-09-20 cs.CV eess.IV
Artifact- and content-specific quality assessment for MRI with image rulers
Stanford University（斯坦福大学）
在临床实践中，MR图像通常在扫描后很长时间才由放射科医生首次看到。如果图像质量不足，患者必须返回进行额外扫描，或者提供次优解释。自动图像质量评估（IQA）将实现实时补救。现有的MRI IQA工作只给出了一个一般的质量评分，不知道低质量扫描的原因和解决方案。此外，放射科医师的图像质量要求随扫描类型和诊断任务而变化。因此，相同的分数对于不同的扫描可能具有不同的含义。我们提出了一个具有多任务CNN模型的框架，该模型使用校准的标签进行训练并使用图像标尺进行推理。由人工输入校准的标签遵循明确定义的高效标签任务。图像标尺解决了不同的质量标准，并提供了一种解释来自CNN的原始分数的具体方法。该模型支持MRI中两种最常见伪影的评估：噪声和运动。它的准确率约为90%，比之前最好的方法高出6%，比人类专家的噪声评估高出3%。我们的实验表明，标签校准，图像标尺，多任务训练提高了模型的性能和泛化能力。
2021-11-06 cs.AI cs.CV eess.IV
Cardiac Segmentation using Transfer Learning under Respiratory Motion Artifacts
Dublin City University（都柏林城市大学）；University College Dublin（都柏林大学学院）
在执行心室分割的同时对心脏磁共振成像（MRI）中的伪影具有弹性的方法对于确保这些组织的结构和功能分析的质量至关重要。虽然在提高算法质量方面已经做出了重大努力，但很少有作品解决了预测中产生的伪影的危害。在这项工作中，我们研究了预训练网络的微调，以提高以前的方法对这些伪影的恢复能力。在我们提出的方法中，我们采用了模仿这些工件的数据增强的广泛使用。结果显著改善了基线分割（Dice评分高达0.06，Hausdorff距离改善4 mm）。
2022-09-20 cs.CV eess.IV
Provable Probabilistic Imaging using Score-Based Generative Priors
California Institute of Technology（加州理工学院）
提出即插即用蒙特卡洛（PMC）框架，结合基于分数的生成先验，通过后验采样在求解逆问题中实现高质量图像重建与不确定性量化，并提供非渐近平稳性理论保证。
2024-08-28 cs.CV cs.LG eess.IV
Super Efficient Neural Network for Compression Artifacts Reduction and Super Resolution
Amazon Lab126（亚马逊Lab126）
针对流媒体低码率下压缩伪影及现有方法无法同步消伪影与超分的问题，提出带增强特征层和定制数据集的轻量CNN算法，可同步完成两项任务，VMAF得分较传统方法提升4-6分。
2024-01-26 cs.CV eess.IV
Motion correction in MRI using deep learning and a novel hybrid loss function
University of Maryland School of Medicine（马里兰大学医学院）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Maryland, College Park（马里兰大学帕克分校）
目的开发和评估一种基于深度学习的方法（MC-Net）来抑制脑磁共振成像（MRI）中的运动伪影。方法MC-Net是由UNet和两阶段多损失函数相结合而形成的。使用被合成运动污染的T1加权轴向脑图像来训练网络。评估使用模拟的T1和T2加权轴向，冠状和矢状图像在训练过程中看不到，以及T1加权图像与运动伪影从真正的扫描。性能指标包括峰值信噪比（PSNR），结构相似性指数测量（SSIM）和视觉阅读评分。两名临床阅片员对图像进行评分。结果在T1轴向测试集上，MC-Net在PSNR和SSIM方面优于其他方法。MC-Net显著提高了所有T1加权图像（所有方向以及模拟和真实运动伪影）的质量，无论是定量测量还是视觉评分。然而，MC-Net在未经训练的对比度（T2加权）图像上表现不佳。结论提出的两阶段多损失MC-Net能有效抑制脑MRI中的运动伪影，且不影响图像的上下文。鉴于MC-Net的效率（单次图像处理时间约40 ms），它可能用于实际临床环境。为了便于进一步研究，代码和训练模型可在https://github.com/MRIMoCo/DL_Motion_Correction上获得。
2022-10-19 cs.CV eess.IV
Destroy Me: Automatic Artifact Generation for Histopathology Images
该研究提出名为“Destroy Me”的混合框架，通过合成六种病理图像人工制品增强数据，训练的nnU-Net模型在肺腺癌分类任务中宏F1和Cohen’s Kappa分别提升10.5%、15%，平衡了鲁棒性与诊断特征保留。
2026-08-31 cs.AI cs.CV cs.LG
Small metal artifact detection and inpainting in cardiac CT images
针对植入式除颤器金属导线伪影影响心脏CT量化的问题，提出基于2D U-Net和3D图像修复的深度学习方法，实现伪影自动检测与解剖结构修复，显著提升了心腔分割精度。
2024-09-25 eess.IV physics.med-ph
Self-Adaptive Reality-Guided Diffusion for Artifact-Free Super-Resolution
Northwestern Polytechnical University（西北工业大学）；Tsinghua-Fuzhou Institute for Data Technology（清华福州数据技术研究院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出SARGD，一种无需训练的自适应现实引导扩散方法，通过伪影检测器与RGR过程在潜空间中识别并减轻伪影传播，并引入SAG机制动态计算现实得分以增强真实潜表示锐度，实现了无伪影超分辨率，同时将采样步骤减少2倍。
2024-03-25 cs.CV eess.IV
Assessing Lesion Segmentation Bias of Neural Networks on Motion Corrupted Brain MRI
Philips Healthcare（飞利浦医疗）；University of Washington（华盛顿大学）
在磁共振成像（MRI）采集过程期间的患者运动导致运动伪影，这限制了放射科医师提供可视化状况的定量评估的能力。通常情况下，放射科医生要么“看穿”伪影，降低诊断信心，要么拒绝MR扫描，要求召回患者并重新扫描。目前，有许多公开的方法，集中在MRI伪影检测和校正。然而，这些算法对运动破坏的MRI图像所表现出的偏差的关键问题仍然没有得到回答。在本文中，我们试图量化的偏见方面的影响，不同级别的运动伪影对神经网络的性能从事病变分割任务。此外，我们探讨了不同的学习策略，课程学习，对分割性能的影响。我们的研究结果表明，使用课程学习训练的网络在补偿不同水平的运动伪影方面是有效的，并且与相同运动数据的传统混洗学习策略相比，分割性能提高了约9%-15%（p < 0.05）。在每个动作类别中，它要么提高要么保持骰子得分。据我们所知，我们是第一个定量评估的分割偏见存在于大脑MRI图像中的各种水平的运动伪影。
2020-10-12 cs.CV cs.LG eess.IV
SVS-net: A Novel Semantic Segmentation Network in Optical Coherence Tomography Angiography Images
National Taiwan University（台湾大学）；Chang Gung Memorial Hospital（长庚纪念医院）；Chang Gung University（长庚大学）
光学相干断层扫描血管成像（OCTA）中的血管自动分割对于视网膜微血管的定量分析在神经视网膜和系统性疾病中具有重要意义。尽管最近有所改进，但伪影继续对分割提出挑战。我们的研究重点是去除斑点噪声伪影从OCTA图像时进行分割。斑点噪声在OCTA中很常见，并且在大的非灌注区域上特别突出。它可能会干扰视网膜血管的正确评估。在这项研究中，我们提出了一种新的监督血管分割网络（SVS-net）来检测不同大小的血管。SVS-net包括一个新的基于注意力的模块，用于描述血管位置并促进对网络学习过程的理解。该模型是有效的和可解释的，可以用来减少手动标记的需要。与其他公认的模型相比，我们的SVS-net在准确率，召回率，F1评分和Kappa评分方面具有更好的性能。
2021-04-21 cs.CV eess.IV
MGMAR: Metal-Guided Metal Artifact Reduction for X-ray Computed Tomography
National Institute for Mathematical Sciences（数学科学研究院）
本文提出MGMAR方法，通过金属相关信息提升CT重建鲁棒性，利用隐式神经表示生成高质量先验图像，并结合归一化MAR框架完成投影补全，最终通过金属条件修正网络抑制残余伪影，实验显示在AAPM-MAR基准上取得最佳性能。
2026-03-13 cs.AI cs.CV eess.IV
Attenuation artifact detection and severity classification in intracoronary OCT using mixed image representations
Amsterdam UMC（阿姆斯特丹大学医学中心）；University of Amsterdam（阿姆斯特丹大学）；Amsterdam Cardiovascular Sciences（阿姆斯特丹心血管科学中心）；Radboud University Medical Center（拉德堡德大学医学中心）
本文提出一种卷积神经网络，通过融合OCT图像在笛卡尔坐标和极坐标下的特征，对衰减线进行无伪影、轻度伪影和严重伪影三分类，实现对冠状动脉内OCT衰减伪影的自动检测与严重程度评估，为图像采集指导奠定基础。
2025-03-07 cs.AI cs.CV eess.IV
Bridging the gap between image coding for machines and humans
Nokia Technologies（诺基亚技术公司）；Tampere University（坦佩雷大学）
针对神经网络 ICM 编解码器低比特率下的棋盘伪影，提出基于对抗训练的解码器微调方法，在不增加推理比特与参数的情况下消除伪影并保持机器分析性能。
2024-01-19 cs.CV eess.IV
Conditioning noise is a free regularizer for LoRA fine-tuning: no pathology encoder required for diffusion-based artifact detection in histopathology
University of Piraeus（比雷埃夫斯大学）
本研究证明在LoRA微调中引入随机高斯条件噪声可提升组织病理学伪影检测的干净/伪影分离度，无需额外编码器，且效果经多轮消融和预注册实验验证。
2026-09-16 cs.CV eess.IV
Artifact-Robust Graph-Based Learning in Digital Pathology
Marquette University（马凯特大学）；Northshore Pathologists, S.C.（北岸病理学家事务所）
本文提出一种结合图卷积网络、去噪器和 transformer 的鲁棒学习方法，用于抑制全切片图像中的运动、色调和亮度伪影，从而显著提升前列腺癌分级诊断的准确率和 kappa 分数。
2023-10-27 cs.CV eess.IV
BRIQA: Balanced Reweighting in Image Quality Assessment of Pediatric Brain MRI
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
本文提出BRIQA方法，通过基于梯度的损失重加权和旋转批处理方案解决儿童脑部MRI伪影严重程度评估中的类别不平衡问题，显著提升了平均宏F1分数。
2025-10-30 cs.CV eess.IV
