本文提出了一种新型的隐式特征细化模块，该模块通过构造隐函数，利用模拟无限深度网络的固定点迭代得到实例特征的平衡状态，从而达到高质量的实例分割，并可扩展在大多数对象识别框架中。

Dec, 2021

本文提出了一种基于编码器 - 解码器网络的视频帧插值方法 IFRNet，该方法通过提取输入数据的金字塔特征和应用中间流场实现帧合成，同时引入了任务导向的光流蒸馏损失和几何一致性正则项进行优化，实验表明该方法具有出色的性能和快速的推理速度。

May, 2022

提出了一种结合数值求解器和数据驱动架构的新型压缩感知磁共振成像 (CS-MRI) 方法，有效解决了现有算法中的深度学习收敛问题和鲁棒性问题，并明确了 MRI 过程中的 Rician 噪声分布，取得了更高的重建准确性和鲁棒性。

Nov, 2018

本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。

May, 2020

本文提出了一种基于深度学习的多对比度 MRI 重建模型，通过特征共享单元和密集连接单元进行信息传输和参数优化，实现了对大规模 MRI 数据集的高效重建，并在精确度和效率方面优于现有的单对比度和多对比度 MRI 方法。

Apr, 2018

INFusion 是一种技术，通过使用预训练的扩散模型，为基于学习的隐式神经表示（INRs）的优化提供正则化，以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果，而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。

Jun, 2024

本文提出了一种新的基于循环残差结构约束的图像压缩感知重构方法，称为 R^2CS-NET，该方法可以在适应性在线优化和图像重构中有效地整合在线优化的鲁棒性和深度学习方法的效率和非线性能力。该方法还可以通过利用通道相关性实现彩色图像压缩感知。经过实验验证，该方法具有较高的鲁棒性和泛化能力，可以在现有的深度压缩感知基准测试中表现出色。

Jul, 2022

该论文提出了一种基于特征增强的隐式神经表示方法（FFEINR）来进行流场数据的时空超分辨率处理，通过引入特征增强来完善流场的上下文信息，通过设置不同的超参数，实验结果表明，FFEINR 方法相比三线性插值方法取得了显著改善的效果。

Aug, 2023

本文提出了一种基于特征空间的优化启发式网络（FSOINet），将像素空间中的近端梯度下降算法逐步映射到特征空间中进行信息流处理。该网络通过端到端学习的方式，同时学习采样矩阵和其他网络参数，实现了比现有领先方法更高的重构质量。

Apr, 2022

本文提出一种名为 SADFN 的分割感知深度融合网络，采用多层特征聚合方法融合了 MRI 数据集中各个层次的特征，提高了图像重建的准确性，经大量实验证明该方法在压缩感知 MRI 图像重建领域取得了最好的结果。

Apr, 2018