计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型，以增强稳定性，并通过梯度增强来增强表达能力。此外，我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用（即快速 MRI 和黑洞图像重建）上验证了我们的方法。我们的结果表明，我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。
Nov, 2023
本文介绍了一种新的框架，基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断，使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点，并在两个实验光学设置中应用：全息图像重建和通过高度散射介质成像。在两种设置中，都用很少的训练数据，达到了最先进的重建效果。
Apr, 2019
基于参数引导算法的等变形式，该方法可以使用任何图像重建技术来量化不确定性，同时能处理无真实数据情况下的图像重建，并在实验证明该方法在估计准确度、不确定性量化和计算时间方面优于现有方法。
Oct, 2023
在成像逆问题中，通过缺失或损坏的测量数据来恢复图像是一个不适定问题，因此我们提出了一种以任务为中心的方法来量化测量和恢复过程中引起的不确定性，其中使用符合性预测构建了一个区间，并保证以用户指定的概率包含真实图像的任务输出，并使用该区间的宽度来量化由测量和恢复产生的不确定性，我们还提出了一种在多轮测量中停止，直到任务的不确定性降至可接受水平的方法，该方法在加速磁共振成像 (MRI) 上进行了验证。
May, 2024
提出了一种无需显式图像先验信息的方法，通过共享低维结构来解决一组逆问题，其中可以处理许多具有通用结构的复杂实际问题，如图像降噪、相位恢复和黑洞视频重建等。
Apr, 2023
通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。
Aug, 2020
从数据中学习先验模型，使用生成模型以高效学习先验的推进映射，并结合神经算子逼近方法并行学习前向模型，为需要从间接数据学习先验的情况提供了计算上更有效的方法。
提出 PUQ（主要不确定性量化）—— 一种新的不确定区域定义和相应的分析方法，可以考虑图像内的空间关系，以提供更小的不确定性区域，并通过实验验证其有效性。
May, 2023
提出了一种名为 QuantifAI 的方法，利用数据驱动的先验知识处理射电干涉成像中的不确定性量化问题，通过高维度的统计模型和贝叶斯框架，实现了高质量图像重建和概率测量，并提供了用于结构假设检测的像素级不确定性推断方法。
该研究提出了一种利用未经训练的深度生成模型估计未观察图像的后验分布的方法，从而量化重建不确定性。这种方法不需要训练数据，而是优化神经网络的权重以生成适合特定测量数据集的图像样本，通过这种方法，在干涉射电成像和压缩感知磁共振成像等领域得出了实证结果。
Oct, 2020