通过将消除噪声扩散概率模型（DDPM）与优先数据保真度的重建过程相结合，我们引入了一种迭代重建算法，以减少医患暴露于电离辐射的剂量，从而实现无监督框架中的卓越重建结果。通过融合这两种技术的优点，以及应用 Nesterov 动量加速技术，我们进一步提高了重建过程的效率，为高清晰 CT 图像重建提供了潜在途径。

Oct, 2023

本文探讨了在张量补全中使用矩阵补全技术的不足之处，并证明了直接最小化张量核范数的凸优化方法对于提高样本需求是有益的。我们通过开发一系列代数和概率技术来建立结果，例如张量核范数的次微分的表征以及张量鞅的浓度不等式，这可能对其他张量相关问题具有独立的兴趣和有用性。

May, 2014

利用生成的辐射场，本文提出了基于不确定性感知的 MedNeRF 神经网络，通过从 2D X 射线图像中获取内部结构和深度信息，并使用自适应损失权重来学习 CT 投影的连续表达，以确保生成图像的质量。在公开可用的膝盖和胸部数据集上训练，以及利用单个 X 射线进行 CT 投影渲染，并与其他基于生成的辐射场的方法进行比较。

Nov, 2023

该研究聚焦于开发一种用于解决欠定线性反问题的空间变异正则化模型。研究案例为从少视角层析噪声数据中重建医学图像。通过应用适当的像素相关权重，该优化模型的主要目标是在去噪和保留细节和边缘之间取得良好平衡，克服了广泛使用的总变差（TV）正则化方法的性能。提出的策略利用梯度逼近来计算空间变异 TV 权重。为此，设计了一个卷积神经网络，使用其训练中的弹性损失函数来逼近真值图像及其梯度。此外，本文对所提出的模型进行了理论分析，展示了其解的唯一性，并展示了针对特定问题的 Chambolle-Pock 算法。这一综合框架将创新的正则化技术与先进的神经网络能力相结合，展示出在从低采样层析数据中实现高质量重建方面的有 promising 结果。

Apr, 2024

本文引入了自适应核范数正则化方法，通过该方法提出了一种基于自适应核范数的降秩估计方法，同时该降秩估计方法在计算上高效，并且在模拟研究和基因学应用中，表现出优异的性能。

Jan, 2012

针对高阶张量分解中的模型选择、大规模数据和计算效率等难点，本文提出了一种基于迹范数的正则化并可并行计算的分解方法，能够有效分解低秩结构的张量，并具有较强的鲁棒性。

Jul, 2014

本文提出了一个基于加权核范数正则化和时空图拉普拉斯算子的双重图正则化移动对象检测模型，在实际的人体运动数据集上进行了数值实验，证明了该方法在分离运动物体和背景方面的有效性和稳健性，并展示了在机器人应用中的巨大潜力。

Apr, 2023

本文提出了一种基于双重加权截断核范数减去截断 Frobenius 范数最小化的方法，通过利用噪声图像的非局部自相似性来聚合类似结构并构建一系列类似的补丁矩阵，每个组采用 DtNFM 模型来估计其去噪版本，提供了处理复杂噪声分布的足够灵活性，并通过 ADMM 框架最小化问题。

Jul, 2023

本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

May, 2018

本文提出了一种通过非凸加权 Lp 核范数极小化方法进行图像恢复的新方法，以更准确地同时强制执行图像结构稀疏性和自相似性，并采用交替方向乘子法（ADMM）求解相关的非凸极小化问题，实验结果表明，该方法在目标和感知质量方面均优于目前许多最先进的方法。

Apr, 2017