[2025CVPR-图象生成方向]ODA-GAN：由弱监督学习辅助的正交解耦比对GAN 虚拟免疫组织化学染色

​研究背景与挑战​

1. ​临床需求​

   • 组织学染色（如H&E和IHC）是病理诊断的核心技术，但IHC染色存在耗时、组织消耗大、图像未对齐等问题。
   • 虚拟染色技术可通过生成模型将H&E图像转换为IHC图像，但现有方法面临两大挑战：
     • ​染色不真实性​：生成图像与真实IHC的分布存在差异。
     • ​病理不一致性​：传统对比学习（如CUT方法）将相同染色标签的样本误判为负样本，导致染色信号错误。

2. ​现有方法局限​

   • 监督方法（如Pix2Pix）依赖对齐的图像对，但实际中难以获取且存在内容差异。
   • 无监督方法（如CycleGAN）假设域间双射映射，不适用于染色任务；CUT类方法因样本划分矛盾导致染色错误。

​方法创新：ODA-GAN框架​

1. ​弱监督分割流程（WSSS）​​

• ​目标​：生成H&E图像的抗原阳性区域掩码，替代专家标注。
• ​流程​（图2）：