本文提出了一种全卷积网络用于迭代非盲去卷积，通过将非盲去卷积问题分解成图像去噪和图像去卷积，训练 FCNN 在梯度域中消除噪声，并使用学习到的梯度来引导图像去卷积步骤，可以迭代地去模糊图像，能够学习自适应的图像先验，保持局部（细节）和全局（结构）信息，经过基准数据集的定量和定性评估表明，所提出的方法在质量和速度方面表现优异，可胜任同类算法。

Nov, 2016

该论文提出了一种使用深度生成网络作为先验进行盲图像去卷积（盲去模糊）的新方法，通过使用两个单独的生成模型以及卷积网络，我们提出了一种交替梯度下降方案，可在较大的模糊和噪声下获得有希望的去模糊结果，最终在更加多样化的自然图像数据集上获得了扩展应用。

Feb, 2018

提出一种在竞争性情况下能够保证精确复原的非凸算法，它具有计算效率更高的额外优势，可应用于无线通信中的物联网。

Mar, 2017

研究了如何从卷积中恢复出两个信号 $f$ 和 $g$，提出了一种基于梯度下降的算法，能够高效、稳健地恢复 $f$ 和 $g$，并给出了一定子空间条件下的严格恢复保证。

Jun, 2016

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

本文提出了一种深度卷积神经网络体系结构，用作通用的图像到图像回归器，可以直接进行端到端的训练。我们提出的体系结构 —— 递归分支反卷积网络（RBDN）采用高效的递归分支方案和可学习的上采样，早期开发了一种廉价的多重上下文图像表示方法。该 RBDN 体系结构是完全卷积的，在推断过程中可以处理不同大小的图像。我们在 relighting、去噪和着色 3 个不同的任务上提供了定性 / 定量结果，并表明，当不进行任何后处理或任务特定的架构修改时，我们提出的 RBDN 体系结构在每个任务上都可以获得与最先进技术相当的结果。

Dec, 2016

该论文提出了一种基于梯度下降与降噪相结合的噪声重建方法，可以高精度地重建电子显微学的层析成像问题，结果表明相对于传统方法和更复杂的扩散方法，该方法具有更高的精度和更快的计算速度。

Jul, 2023

本篇论文提出了一种用于图像去模糊的简单而高效的算法，其通过预处理 Richardson 解算器，使用模糊核和自然图像先验核的近似逆滤波器，以卷积的形式代替通用的线性预处理器，可以实现图像间高效的参数共享；同时利用 CNN 嵌入学习预处理器与辅助变量的 proximal operator，进一步提高了算法的鲁棒性与准确性，使其成为非盲目图像去模糊领域中性能更出色的算法。

Jul, 2020

本文提出的 VDIP-TGV 模型将总体广义变分正规化与 VDIP 相结合，通过 TGV 补充额外的梯度信息，有效地恢复图像边缘和细节。此模型通过交替方向乘法器方法（ADMM）求解，定量和定性实验证明了 VDIP-TGV 优于各种最先进的模型。

Oct, 2023

在这项研究中，我们提出了一种基于二阶 Nesterov 近端梯度优化的深度几何增量学习框架，该框架能够高效地解决图像逆问题并降低图像重建中的伪影。我们的重建方案包括线性重建、级联几何增量修复、Nesterov 加速和后处理四个模块，并通过与现有技术的比较表明其优越性。

Aug, 2023