本研究旨在探讨如何反推一张图像的视觉信息，发现在 CNNs 的不同层中，层与层之间保留有关图像几何与光度不变性的信息。

Nov, 2014

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

通过 i-RevNet 网络的可逆性证明了深度卷积网络并不需要通过逐步丢弃输入信息来学习代表信息以获得泛化能力，并通过线性插值对模型学习到的信息进行了解释。

Feb, 2018

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

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

本文研究使用卷积网络所提供的图像表示在视觉实例检索任务中的可用性，并通过利用多尺度图像特征提取方案，特别地，通过将几何不变性纳入到明确的位置、尺度和空间一致性中的方法来提取来自于该网络的局部特征，实验结果表明，如果对其进行适当提取，那么通用卷积网络图像表示法可优于其他先进方法。

Dec, 2014

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

本研究提出了一种找到深度神经网络中隐藏层单元响应中不变性的方法，结果表明 DNNs 学习了不变性转换，并提供了系统性的方法来研究它们。

Jul, 2018

本文提出一种新的深度神经网络操作 Atomic Involution，其将传统卷积的空间不可知和通道特异性原则进行了倒置，可作为构建新一代神经网络的基础砖块并提高了卷积基线的性能。

Mar, 2021

该研究旨在探讨深度卷积神经网络中的各个特征的辨别力以及应用它们进行知识表示和推理的可能性，并通过统计学方法提供了新的见解和阈值方法来减少特征中的噪声。

Mar, 2017