论文笔记:End-to-End Adversarial Retinal Image Synthesis

这是一篇应用创新型文章，因此仅作较为精简的笔记。

本文使用GAN进行视网膜眼底图像合成，并将其应用于视网膜血管图分割模型的训练。

在本文之前，也有人使用过GAN进行视网膜眼底图像合成，缺点是：
由于采用(视网膜血管网络,视网膜眼底图像)成对训练，且视网膜血管网络又由真实视网膜图像经过另一个分割网络得到，所以一旦原始图像失焦，视网膜血管网络就会不完整，进而影响图像合成

本文提出的方法不再依赖于这个独立的视网膜血管分割模型：

在训练时，可以看到，红色框内部就是通常的GAN结构，采用(视网膜血管网络,视网膜眼底图像)成对训练，而作为用来生成视网膜眼底图像的血管网络，由蓝色框内所表示的autoencoder得到。
在测试时，只需取得latent space，生成血管网络图像，再生成最终的结果，即视网膜眼底图像。

以下是训练时更加细节的流程图：

图中左半部分是用来寻找latent space的auto-encoder。右半部分可以看作是GAN的一种小变形。

对于auto-encoder：

为了使得其能够从分布z中生成图片，同时学习到血管树有意义的特征，采用了adversarial auto-encoder的做法，以最小化重构误差，同时控制产出的latent representations z逼近先验分布p(z)。</