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
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
本文综述了现代非线性正则化方法的发展，包括变分方法、图像处理和学习理论等，重点讨论其分析、应用和未来研究问题。
Jan, 2018
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
本文研究探讨通过使用去噪神经网络替代凸优化算法中的正则化程式近算，使得数据项和正则化项可以独立选择并结合。在图像去模糊和去马赛克问题中，通过使用固定的去噪神经网络，本文取得了最先进的重建效果，并且该方法具有很高的通用性和较少的问题特定训练需求。
该研究提出了一种基于卷积神经网络的模型重建框架，实现了解决逆问题的途径。该框架克服了深度学习方法中过多参数所占用的训练数据和时间上的需求问题，并在重构图像方面取得了显著成果。
Dec, 2017
本文介绍了一种新的框架，基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断，使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点，并在两个实验光学设置中应用：全息图像重建和通过高度散射介质成像。在两种设置中，都用很少的训练数据，达到了最先进的重建效果。
Apr, 2019
探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用，提出了一种可以用于将不同问题和重建方法分类的分类法，并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。
May, 2020
探究如何在不知道正向模型改变详情的情况下，使用简单的模型适应方法，使得深度神经网络在计算成像的各种逆问题中，包括去模糊、超分辨率和磁共振成像中的欠采样图像重建方面，取得实证成功。
Nov, 2020
本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。
May, 2023