本篇论文介绍了一种基于可逆 U-Net 结构的新型网络 iUNet，它采用了新颖的可学习可逆上下采样操作，可以在同样的 GPU 存储限制下，训练更深更大的网络，并用于建立正则化流模型。

May, 2020

地学和遥感数据的大规模时空 / 频率尺度导致使用卷积神经网络进行（次表面）数据分割时会出现内存问题。这项研究关注基于电报方程的全可逆网络，通过与以压缩形式直接包含卷积核的层相结合，解决了卷积核数量激增的问题。此外，我们展示了如何以非标准的方式利用可逆网络，在高光谱土地利用分类、空中地球物理勘测和地震成像等领域使用大数据量进行处理，而无需分块处理、降维或类似方法。

Jun, 2024

通过对 3D 体积数据进行强度投影分割，IP-UNet 模型在降低内存消耗的同时保持了原始 3D 图像分辨率，并且在乳房钙化检测中表现出类似的分割准确性，但具有更优异的性能。

Aug, 2023

本文介绍一种内存高效的 Reversible Vision Transformer 架构设计，将模型深度与 GPU 内存需求解耦，能够通过有效地内存使用扩展架构。在图像分类、物体检测和视频分类等多个任务中进行了广泛基准测试，表明可实现模型复杂度、参数和准确性基本相同的情况下，内存占用减少了多达 15.5 倍，Reversible Vision Transformers 是硬件资源有限培训方案的高效支撑，为更深的模型提供了更快的吞吐量。

Feb, 2023

该研究介绍了一种新型的具有可逆性的深度残差网络，名为 RevNet，能够通过其后续层的激活来精确地重建每一层的激活，从而克服了传统深度残差网络在反向传播过程中所需要大量的存储空间，实现了与相同大小的深度残余网络相似的图像分类准确率。

Jul, 2017

该论文介绍了一种新颖的循环 U-Net 网络结构，它可以保留原始 U-Net 的紧凑性，并显著提高其性能，尤其在几个基准测试中超过了现有技术。该方法不仅适用于手部、视网膜血管和道路等多种分割任务，还引入了大规模手部分割数据集。

Jun, 2019

本文提出了一种名为 V-NAS 的网络结构搜索方法，它可以自动判断不同情况下选择 2D、3D 或 Pseudo-3D 卷积层，该方法在医学图像分割任务中很好地表现，在 3 个公共数据集上进行评估，分别为 NIH 胰腺数据集、来自医学分割十项全能挑战的肺和胰腺数据集， 无论是正常器官（NIH 胰腺）还是异常器官（MSD 肺肿瘤和 MSD 胰腺肿瘤），V-NAS 都明显优于其他先进技术，而且该搜索到的网络结构可以很好地推广到其他数据集中，并且具有鲁棒性和实用性。

Jun, 2019

通过 i-RevNet 网络的可逆性证明了深度卷积网络并不需要通过逐步丢弃输入信息来学习代表信息以获得泛化能力，并通过线性插值对模型学习到的信息进行了解释。

Feb, 2018

本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

Jun, 2016

通过采用扩张卷积和残差连接等现代卷积神经网络的高效和灵活的元素，该研究提出了一种高分辨率、紧凑的卷积神经网络，用于分割体积图像，并证明了其比现有的体积分割网络更紧凑，能够对大规模图像数据进行 3D 表示的学习，应用于神经解剖学结构的分割。同时也展示了通过 dropout 实现体素级不确定性估计的可行性。

Jul, 2017