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

本文提出了一种新型架构，用于全局地等效进行反卷积操作并获取密集预测进而解决卷积神经网络在语义图像分割任务中的两个独特挑战，即低分辨率输出与局部特征提取中的全局信息不足。实验结果表明，在 PASCAL VOC 2012 基准测试中，本文方法取得了 74.0% 的平均 IU 准确率，优于当前最先进的语义分割模型。

Feb, 2016

该研究提出了基于重构思想的像素反卷积层（PixelDCL），用于建立上采样后特征映射中相邻像素之间的直接关系，通过在语义分割和图像生成任务中的应用，可以有效地解决反卷积层存在的棋盘格问题，并提高图像分割的准确性。

May, 2017

本研究提出了一种结合深度反卷积神经网络和卷积神经网络的新型神经网络，以实现场景解析。与卷积神经网络相比，反卷积神经网络在学习高阶图像结构方面表现更好。多补丁训练可以从场景中有效地学习空间先验知识。本方法在四个场景解析数据集上均取得了最先进的性能，并具有完全自动化的训练系统，无需后处理。

Nov, 2014

本文介绍了如何将图滤波解卷积步骤纳入经典的几何卷积神经网络流程中，通过罕见的群稀疏恢复问题实现作用于通过稀疏解卷积过程后的图信号，提高分类性能，并通过数值实验表明了在合成和真实世界设置中解卷积步骤的有效性。

Sep, 2018

该论文提出了 DKN 卷积神经网络架构及其高效实现，使用稀疏且空间可变的滤波核进行图像增强和降噪，并在深度图上采样，显著优于现有技术。

Oct, 2019

本文提出一种基于学习反卷积网络的新颖语义分割算法，其中反卷积网络由反卷积层和上采样层组成，能够在像素级别上识别图像中的类别标签和预测分割掩模，通过将结果合并得到最终的分割图像，并且可以自然地处理多尺度下的物体和识别细节结构，在 PASCAL VOC 2012 数据集上进行实验，通过与完全卷积网络的集合学习，取得了最好的 72.5% 精度。

May, 2015

通过实验证明了通过在卷积层之间停用连接的方法将采用通道稀疏连接结构的 2D 卷积技术与许多网络体系结构一起使用，可以在保持准确性的同时实现明显的运行时间和内存储存器的节省。

Feb, 2017

本文提出了一种通用的 DualCNN 卷积神经网络，用于解决低级别视觉问题，如超分辨率、边缘保留滤波、降雨和去雾。DualCNN 由两个并行的分支组成，分别恢复结构和细节，是低级别视觉任务的一种灵活的框架，可以轻松地集成到现有的 CNN 中。实验结果表明，DualCNN 可以有效地应用于许多低级别视觉任务，在性能方面优于现有的方法。

May, 2018

本文基于近期提出的深度图像先验方法 deep image prior，在图像去卷积中引入 kernel 先验方法，实验结果表明，该方法有助于提高学习无关的图像去卷积的性能，以 PSNR 和视觉效果为标准进行了六个标准测试图像的实验。

Oct, 2019