I2-GAN

1.作者

生物医学中的计算成像和模拟技术中心  利兹大学 利兹心血管和代谢医学研究所    Yan Xia

伦敦大学学院计算机科学系医学图像计算中心 伦敦大学学院，皇后广场神经病学研究所，Le Zhang

2.目标

解决的问题是关于如何解决丢失数据的问题使用生成对抗网络（GAN）学习SAX切片附近缺失的信息，并通过他来生成缺失部分

3.论文介绍

论文的步骤：

1.首先将切片通过回归网络映射到具有位置信息潜在向量（latent vector）

2.将期望位置对应的潜在向量（latent vector）根据强度特征通过生成网络到切片流管（slice manifold）

G是generator，生成器: 负责凭空捏造数据出来  在本文中是含有正则化层的残差模块

D是discriminator，判别器: 负责判断数据是不是真数据  本文实现了一种多尺度鉴别器，以及基于鉴别器的特征匹配损失，以进一步提高性能

主要的结构大家都看到了，我提出一个比较奇怪的点：为什么能直接确定只有一个缺失帧啊。
self-modulated normalisation：结构

如下所示  输入的数据包含上一层的输入 和初始数据的skip-connection 降维在一块的结果

 

4.结果

数据集为：UK Biobank (UKBB)

评价指标：SSIM  PSNR 判断生成图像和原来图像的对比，心脏指数包括：左心室体积、左心室质量和右心室体积