利用反向卷积神经网络对图像特征表征进行研究，发现即使从初级的表征数据中仍然存在丰富的信息，同时深度网络的特征表征也可被还原并推出其某些特性。

Jun, 2015

本文通过自然感知前像的概念，运用逆向重建，激活最大化和漫画创作等多种可视化技术来研究浅层和深度学习表示，提出了一种正则化能量最小化的框架，可以更准确地反演 HOG 表示，并有效应用于卷积神经网络，其中发现 CNN 的多个层可以保留关于图像的各种位置和光度变换的信息。

Dec, 2015

为了了解神经网络不透明的黑盒表示法，本研究提出了一种基于 INNs 的方法来恢复任务特定和已学习不变量，将其变成易于理解的语义概念，并在不影响性能的情况下进行后期解释。

Aug, 2020

本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

Oct, 2017

我们提出了一种逆向识别方法 (INVERT)，通过利用学习表示与人可理解的概念之间的区分能力，实现了将学习表示与其对应解释相连接的可扩展方法。此方法具有较低的计算复杂度并且不依赖于分割掩码的可用性，还提供了一个可解释的度量来评估表示与其相应解释之间的一致性并提供统计显著性的度量值，强调其实用性和可信度。我们展示了 INVERT 在各种场景中的适用性，包括识别受偶然相关性影响的表示以及对模型中决策层次结构的解释。

Nov, 2023

论文讨论卷积神经网络近似可逆性及其在稀疏信号恢复方面的数学模型，并给出一种精确的模型基础压缩感知与其恢复算法和随机权重 CNN 的连接。作者通过实验得出多个学习网络与数学分析一致，以简单的理论框架合理地重构实际图片。同时，作者也探讨了我们的模型假设与实际场景分类训练的 CNN 之间的差距。

May, 2017

这篇论文利用深度神经网络逆向低维人脸嵌入并生成高质量真实的图像，探索了两种方法，通过引导图像使用梯度上升方法生成一致性良好的图像和通过训练单独的神经网络一次性解决最小化问题来实时生成图像，并对神经网络与梯度下降进行对比实验。

Jun, 2016

本文提出了一种新的滤波器替换方法来解决卷积神经网络中的内部表示问题，并将其中任意 CNN 单个神经元直接可视化到图像空间中的第一层滤波器。

Nov, 2015

使用深度卷积神经网络，结合直接反演、多分辨率分解和残差学习等技术来解决病态反问题，实验证明，在稀疏采样下，该方法能在不到一秒的时间内重建 512 x 512 的图像，取得了比迭代正则化平滑重建更好的效果。

Nov, 2016

本文通过严格的评估探索了不同的深度学习架构，比较它们在公共领域的性能，并识别和披露了重要的实现细节，同时指出了 CNN 基础表示的几个有用属性，包括输出层维度可以显著降低而不会对性能产生不利影响，以及深浅层方法可以成功共享的方面。

May, 2014