SCOSC حسین ترحمی اردکانی Research Letters on Management in Organizations مجله بین‌المللی کامپیوتر، فناوری اطلاعات و هوش مصنوعی 2 2 (تابستان) 2026 09 09 Presenting novel methods for generating synthetic images with ultra-high resolution using conditional diffusion models and adversarial networks for diagnostic medical applications ارائه روش های نوین تولید تصاویر مصنوعی با وضوح فوق بالا با استفاده از مدل های پخش شرطی و شبکه های دشمن گونه برای کاربردهای پزشکی تشخیصی 19 40 FA Jamshid Mashhadi PhD in English Language Teaching, Department of Basic Sciences, Shushtar Faculty of Medical Sciences, Shushtar, Iran جمشید مشهدی دکترای آموزش زبان انگلیسی، دپارتمان علوم پایه، دانشکده علوم پزشکی شوشتر، شوشتر، ایران 2026 08 23 High-resolution medical imaging plays a vital role in the accurate diagnosis of diseases, especially in the identification of subtle lesions and small anatomical structures. However, hardware limitations, long scanning times, and patient discomfort have made it challenging to obtain images with the desired resolution. Super Resolution technology, as a post-processing solution, allows for increasing the resolution of received images without the need for hardware upgrades. In recent years, diffusion models and generative adversarial networks have emerged as two leading approaches in the generation of ultra-high resolution synthetic images. This paper provides a comprehensive review of novel methods for generating ultra-high resolution synthetic images using conditional diffusion models and adversarial networks for diagnostic medical applications. First, the theoretical foundations and challenges in medical imaging are reviewed, then leading architectures including IM Diff, OCTDiff, PFEDiff, MDM, LSTMAGAN, and FRDAGAN are introduced in detail. Also, the quantitative and qualitative evaluation criteria, clinical applications, and challenges facing these methods are discussed. The results show that conditional diffusion models, while preserving perceptual quality, and adversarial networks, while producing realistic textural details, each have unique strengths in diagnostic medical applications, and the combination of these two approaches can open new horizons in medical imaging. تصویربرداری پزشکی با وضوح بالا برای تشخیص دقیق بیماری ها، به ویژه در شناسایی ضایعات ظریف و ساختارهای آناتومیکی کوچک، نقشی حیاتی ایفا می کند. با این حال، محدودیت های سخت افزاری، زمان طولانی اسکن و ناراحتی بیماران، دستیابی به تصاویر با وضوح مطلوب را با چالش مواجه ساخته است. فناوری ابر تفکیک پذیری (Super Resolution) به عنوان یک راهکار پس پردازش، امکان افزایش وضوح تصاویر دریافتی را بدون نیاز به ارتقای سخت افزار فراهم می آورد. در سال های اخیر، مدل های پخش (Diffusion Models) و شبکه های دشمن گونه مولد (Generative Adversarial Networks) به عنوان دو رویکرد پیشرو در تولید تصاویر مصنوعی با وضوح فوق بالا مطرح شده اند. این مقاله مروری جامع بر روش های نوین تولید تصاویر مصنوعی با وضوح فوق بالا با استفاده از مدل های پخش شرطی و شبکه های دشمن گونه برای کاربردهای پزشکی تشخیصی ارائه می دهد. ابتدا مبانی نظری و چالش های موجود در تصویربرداری پزشکی بررسی می شود، سپس معماری های پیشرو شامل IM Diff، OCTDiff، PFEDiff، MDM، LSTMAGAN و FRDAGAN به تفصیل معرفی می گردند. همچنین معیارهای ارزیابی کمی و کیفی، کاربردهای بالینی و چالش های پیش روی این روش ها مورد بحث قرار می گیرد. نتایج نشان می دهد که مدل های پخش شرطی با حفظ کیفیت ادراکی و شبکه های دشمن گونه با تولید جزئیات بافتی واقع گرایانه، هرکدام نقاط قوت منحصربه فردی در کاربردهای پزشکی تشخیصی دارند و ترکیب این دو رویکرد می تواند افق های جدیدی را در تصویربرداری پزشکی گشاید. Hyper resolution conditional diffusion models generative adversarial networks medical imaging ابر تفکیک پذیری مدل های پخش شرطی شبکه های دشمن گونه مولد تصویربرداری پزشکی https://ijcitai.ir/downloadfilepdf/203933