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

通过优化扩散模型所捕获的学习能量函数，我们可以避免针对优化模型出现的对抗样本，从而显著提高设计性能，并且在多体相互作用和复杂气动式设计任务中，我们的方法通过在测试时组合学习到的扩散模型，超越了最先进的神经网络逆向设计方法的预测 MAE 平均值 14.3% 和设计目标 41.5%。

Jan, 2024

本文为解决线性反演问题，并提出了两种新的算法：一种是基于复合高斯先验分布的正则最小平方目标函数迭代算法，另一种是对迭代算法的展开得到的深度神经网络。两种算法在断层成像和压缩感知等方面表现优异。

May, 2023

本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

Nov, 2019

该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

Jan, 2017

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

本文提出了一种基于流模型的方法来估计条件密度并解决逆问题，并通过实验验证其在产生高质量样本和不确定性量化方面的有效性。

Feb, 2020

本文提出了一种新的压缩伪影降低的后处理技术，该方法利用图像去噪算法作为正则化项，通过 ADMM 求解广义逆问题，进而获得高质量的压缩图像。该方法适用于各种基于变换编码的压缩技术，如 JPEG，JPEG2000 和 HEVC 等。

Oct, 2015

通过引入核心分布和空间正则化方法，我们的研究提出一种针对合成嵌入图像中过拟合问题的反转过程指导方法，使生成的图像中的概念更加多元和均衡。

Dec, 2023

该研究提出使用 GAN 作为先验来解决不适定的反演成像问题，并将方法应用于面部和材料的固有图像分解。该方法建立在 GAN 成功捕捉复杂图像分布的基础上，并展示了通过逆转多个 GAN 来维持分布先前的可能性，其是模块化的，可以成功地分解合成和真实图像，并利用 GAN 潜在空间的属性，提供了额外的优势，如图像重照。

May, 2023