该论文提出了一种新的框架，利用神经网络作为正则化函数，将数据驱动方法应用于逆问题解决，该算法可以在没有监督训练数据的情况下应用于逆问题，并在 BSDS 数据集上显示了去噪和在 LIDC 数据集上显示了计算机断层扫描重建的潜力。

May, 2018

本文旨在基于理论提供对于反问题的先进学习方法进行研究，探讨正则化方法及其收敛性的广义定义，该定义可以为未来的理论研究铺平道路。在基于先前用于监督学习的简单光谱学习模型的基础上，我们研究了适用于反问题的不同学习范式的关键属性，这些属性可以独立于具体的体系结构进行阐述。特别是，我们研究了正则化性质、偏差以及对训练数据分布的关键依赖。此外，我们的框架允许突出和比较不同范式在无限维限制条件下的特定行为。

Dec, 2023

借助深度神经网络，本文研究了解决小数据集的逆问题，集中在将基于模型的方法与数据驱动方法相结合，通过逼近图像先验对全局经验分布的 Wasserstein 差异进行判罚及最大对数似然进行最优化，实现了贝叶斯逆问题的不确定性量化，并在计算机断层摄影、图像超分辨率和修复领域取得了高质量的结果。

Dec, 2023

本文概述了目前采用变分方法和机器学习解决成像反问题的方法。重点关注点估计器及其对抗扰动的鲁棒性，并通过数值实验的结果验证了不同方法的鲁棒性和理论保证的实证。此外，还探讨了显式引导数据一致解子空间来满足特定语义或纹理属性的研究。

Feb, 2024

通过两种不同范例，学习正演算子在逆问题中的重建方法：完全对正演算子不可知的范例通过投影正则化找到重建，而基于测量过程的简化模型则依赖于训练数据来学习模型修正。这两种方法都需要训练数据不仅仅是正演算子，也是其伴随算子。

Nov, 2023

本文综述了近年来深度学习在解决线性反问题方面的最新进展，包括其在不同领域中的应用、结构化神经网络的设计以及面临的挑战和未来方向。

Jul, 2020

本文提出一种有效的算法来解决图像恢复应用中的约束问题，包括去卷积和从压缩观测中重建图像，使用总变差或小波（或更一般的框架）正则化。该算法属于增广 Lagrange 方法的范畴，并表现出在一定条件下具有收敛性。本文的结果表明，所提出的算法在图像恢复领域中具有最先进的技术水平。

Dec, 2009

介绍了一种新的数据驱动的总变分正则化器，将反问题的变分公式与深度学习相结合，使用卷积神经网络提取多尺度和连续块中的局部特征， 实现了全局优化控制和相对于正则化器的参数和初值的稳定性分析，并在众多成像任务上实现了最先进的结果。

Jun, 2020

本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

Apr, 2017

在重建和正则化逆问题领域，学习驱动和数据驱动技术近来成为主要关注点。本研究描述了一个通用框架，使我们能够在统计学习的背景下解释许多这些技术，重点研究学习重建方法的泛化性质，并特别进行样本误差分析。

Dec, 2023