通过在深度展开网络中嵌入旋转对称先验的设计，提出了一个高精度的旋转等变近端网络，并首次推导了任意层数下任意旋转度下等变近端网络的理论等变误差评估，为支持具有内在可解释性要求的网络提供了理论依据。

Dec, 2023

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。

Apr, 2017

该论文提出了一种基于 PGD 算法的 Deep Generalized Unfolding Network（DGUNet）进行图像修复，通过在梯度下降步骤中集成梯度估计策略和设计跨不同 PGD 迭代中 Proximal mapping 的中间信息通路，实现对复杂和现实世界图像的修复，同时保持了透明度和可解释性。实验结果表明，该方法在各种图像修复任务中的性能、可解释性和通用性均优于现有方法。

Apr, 2022

在这篇文章中，我们提出了一个统一的框架来构建用于高斯降噪任务的近端神经网络（PNNs），该框架基于双重 - 投影算法和原 - 对偶 Chambolle-Pock 算法。我们还展示了这些算法的加速惯性版本如何在关联的神经网络层中实现跳跃连接。我们为 PNN 框架提供了不同的学习策略，并研究了它们的鲁棒性（利普希茨性质）和降噪效率。最后，我们评估了将我们的 PNNs 插入图像去模糊问题的前向 - 后向算法时的鲁棒性。

Aug, 2023

本文提出了一种使用深度先验知识进行解决图像重建问题的框架，该框架在去噪、去模糊以及磁共振成像的压缩感知等多种成像问题上实现了较大幅度的性能提升，并通过实验进一步解释了其优越性。

May, 2017

本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。

May, 2023

通过使用基于残差网络的近端映射，以及递归应用近端梯度算法的基本架构，该研究成功地解决了许多有关从受限传感器数据中恢复高分辨率图像时遇到的挑战，包括训练数据的缺乏，需要满足物理可行性的合理重建，以及在实时应用中需要快速重建。经过广泛的实验，该架构在超分辨率和 MRI 图像的重建方面，表现了优于传统方法以及当前最先进的基于小波的压缩感知方法的性能。

Jun, 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

本文提出了一个级联的神经网络架构来解决基于低采样率的线性逆问题。其中将深度生成式残差网络和像素级和感知损失函数相结合，成功地提高了 MRI 重建的信噪比而将推理速度增加了一百倍，并且也证明了通过设计的 ResNet 可以更好地建模去噪近端来提高图像的超分辨率。

Nov, 2017

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