介绍一篇Manteia算法组的NeurIPS 2021 Spotlight文章。文章讨论的核心问题是，在医学图像生成领域，限制模型表现进一步提升的原因是什么？用什么方法可以打破该限制？我们希望通过这篇文章，给大家带来医学图像生成的新范式。

论文标题：Breaking the Dilemma of Medical Image-to-image Translation

论文链接：https://arxiv.org/abs/2110.06465

代码：https://github.com/Kid-Liet/Reg-GAN

本文提出了一种新的医学图像生成模式RegGAN。基于"loss-correction"理论，未严格对齐的数据可以当作是有噪声的标签，而在生成器上使用一个额外的配准网络可以自适应地拟合这种噪声分布。

如此简单的模式，只要任意地将其嵌入到目前SOTA的几种图像生成方法里，就能有效地提高它们的表现。使用了该模式后，即使是CycleGAN也能超越较新的NICEGAN，甚至网络参数量还更轻量。

内容中包含的图片若涉及版权问题，请及时与我们联系删除