然而，在图像融合领域，很难提供融合图像的真值来训练高级视觉任务模型。然后，利用语义损失通过反向传播来指导融合网络的训练，迫使融合图像包含更多的语义信息。融合和分割同时进行，共同优化，让融合的结果更有利于下游任务，在融合网络中加入了Sobel卷积，提取细粒度信息。融合网络是个轻量化的，层数很少，创新点在于用选择 Sobel 算子作为梯度算子，提取特征图的细粒度细节信息。为应对此挑战，开发了图像融合与

通过不同膨胀率的膨胀卷积将输入特征迭代连接到特征图中，并使用1×1×1卷积将通道数量减少到与输入特征相同，从而融合局部和全局上下文信息，合并多尺度特征，并捕获丰富的全局表示。此外，IDCM模块使用不同膨胀率的膨胀卷积来获得不同尺度的特征，以有效扩展卷积核的感受野，提高模型对不同尺度目标的识别能力。然而，当膨胀率的值较大时，提取特征时会出现网格效应，这将失去上下文信息的连续性，降低像素级任务的分割效

CODNet将模型预测（Dir yini和Dir yref）和图像x的级联作为输入，以产生单通道置信度图，以及最终预测的cref，通过从伪装目标检测网络fθ（x）和地面实况伪装图y的预测导出的动态不确定性监督来监督估计的置信图。数据集：使用COD10K训练集[13]训练我们的模型，并在四个伪装物体检测测试集上进行测试，包括CAMO[28]、CHAELEON[45]、COD10K测试数据集[13]和

一种Transformer融合策略，用于处理具有更丰富全局信息的脑肿瘤分割的不完整多模态场景具有可学习融合令牌的Modality-masked fusion transformers，用于有效的特征融合，同时最大限度地减少缺失模态的负面影响空间注意力和通道融合Transformer自适应地重新加权模态，以避免在不完整/缺失模态问题下的主导模态跨模态的全局特征、屏蔽缺失模态的负面影响、减少模态特定特

为了确定最适合HS分割的合成MRI模式，我们比较了3种超高场MRI合成：7T T1 MRI、7T T2 MRI和7T T1 + T2 MRI (即同时合成7T T1 MRI和7T T2 MRI)。通过重点保留ROI内重要的结构和纹理信息，ROI损失增强了合成的7T MRI的质量，从而提高了HS分割的准确性。3T 图像的信号对比度和分辨率有限，因此在常规 3T MRI 中自动分割这些子场具有挑战性，

最后，我们的Hi-Net将模态特定网络和融合网络相结合，以学习各种模态的潜在表示，并用于生成目标图像。，我们同时使用所有三种融合策略，然后将它们连接起来。为了实现这一目标，我们首先为每个单独的模态（例如，xi）构建一个模态特定网络。在多模态融合任务中，流行的策略包括逐元素求和、逐元素乘积和逐元素最大化。提取多个模态的特征，合成某一缺失模态，效果好于单模态生成缺失模态。实验充分，消融实验丰富，单纯拼

然后，我们将它们与。

结构对准是跨模态图像生成的关键因素，先前的研究表明，成对的CT-MRI图像中的逐像素结构错位会导致重建失败。为了避免我们提出的模型中的过拟合和数据泄露，我们将数据集划分为来自10名患者的1366个CT/MR切片的训练集和来自15名患者的2050个CT/MR切片的测试集。为了解决未配对MRI-CT数据中MRI图像和CT图像的低结构一致性问题，我们提出的方法包括五个损失函数：风格传递损失、感知损失、循

作者没有分析原因，代码中最后把4，128，128，128维度的输出拆分出来，s1，s2，s3是WT，TC和ET。也就是说，TC还是用的原来的，WT和ET用的是加权后的。此外，对于3D脑肿瘤分割，目前的深度架构，尤其是那些使用3D卷积的架构，总是具有。数据集：BraTs18,19,20，裁剪到128 128 128，轴向、冠状面、矢状面应用随机轴镜像翻转p=0.5，【-10，10】范围内应用随机旋转

在该块中，首先使用全局平均池来聚合输入的全局上下文信息，然后应用具有不同非线性激活函数的两个1×1卷积层，即ReLU和Sigmoid，来估计层相关性并生成沿信道维度的权重。视网膜图像中的视盘和视杯分割：我们评估了我们在视网膜图像中视盘和视杯分割的方法，这是青光眼检测中的一项常见任务。为了适应对象的形状和大小变化，现有的方法倾向于总结沿通道维度的多尺度输出，以进行最终预测（例如，[5，19]）。在四