鲁棒生成对抗网络
跨模态高保真合成
结合谱归一化与自注意力机制，显著提升医学图像生成质量与训练稳定性。
Yueteng, Yang · 李兵 · Cao, Wenming · 陈雪梅 · Li, Weikai
Expert Systems with Applications 2026
参数信息
- PSNR
- 34.36 dB
- PSNR
- 34.29 dB
- SSIM
- 0.9240
- SSIM
- 0.9355
- PSNR
- 34.54 dB
- PSNR
- 34.69 dB
- SSIM
- 0.9411
- SSIM
- 0.9624
技术优势
合成质量高
内容损失项能保留细微解剖结构和纹理，提高了合成 PET 图像的保真度。
训练更稳定
判别器的权重矩阵使用谱归一化强制 Lipschitz 连续性，促进稳定的对抗学习。
细节捕捉更好
生成器中的自注意力机制能更好地捕捉精细结构细节。
应用场景
- 医学影像合成：生成合成 PET 图像，减少直接扫描的成本与辐射暴露。
- 跨模态图像转换：将 MRI 或 CT 转换为 PET，实现不同模态信息的互补融合。
- 辅助诊断：为诊断模型提供更多样的训练数据，增强辅助诊断能力。