本文提出了一种基于深度学习的 MRF-Net 方法，通过减少维度并使用层级匹配滤波器，可以在不使用字典匹配的情况下，高效地重建定量磁共振图，并且减少了存储和计算需求。

Sep, 2018

通过使用基于残差网络的近端映射，以及递归应用近端梯度算法的基本架构，该研究成功地解决了许多有关从受限传感器数据中恢复高分辨率图像时遇到的挑战，包括训练数据的缺乏，需要满足物理可行性的合理重建，以及在实时应用中需要快速重建。经过广泛的实验，该架构在超分辨率和 MRI 图像的重建方面，表现了优于传统方法以及当前最先进的基于小波的压缩感知方法的性能。

Jun, 2018

本文提出了一个级联的神经网络架构来解决基于低采样率的线性逆问题。其中将深度生成式残差网络和像素级和感知损失函数相结合，成功地提高了 MRI 重建的信噪比而将推理速度增加了一百倍，并且也证明了通过设计的 ResNet 可以更好地建模去噪近端来提高图像的超分辨率。

Nov, 2017

本文提出使用循环神经网络进行磁共振指纹重建方法，比传统字典匹配法具有更高的可扩展性和更短的重建时间，能够同时测量多种组织属性的定量成像方法。

Dec, 2018

使用 Magnetic Resonance Fingerprinting (MRF) 技术，结合随机脉冲激发序列、随机 EPI 子采样策略和迭代投影算法，开发出一种压缩感知框架，能够从有限数量样本中同时准确恢复质子密度、T1、T2 和离共振映射。这些结果经过对大量仿真数据的验证。

Dec, 2013

本文介绍了一种新型方法 GrappaNet 通过深度神经网络集成传统的并行成像方法，能够在高加速因子下生成高质量的重建，实验证明在 FastMRI 数据集中与竞争方法相比，GrappaNet 可以生成更高质量的重建，加快 MRI 的数据获取速度。

Oct, 2019

基于深度学习的神经 MRF 模型在立体匹配任务中取得了显著的性能提升，通过在潜在函数和信息传递方面应用数据驱动的神经网络，该模型有效地解决了传统立体方法中的建模限制和精度问题，并借助变分推断理论保留了立体 MRF 模型的图感知特征。对于高分辨率图像进行可行的推理，并通过适应性地剪枝视差搜索空间的 Disparity Proposal Network (DPN)，使得该方法在 KITTI 2012 和 2015 榜单上名列第一，且运行时间不超过 100 毫秒。与传统的全局方法相比，本方法的性能显著提升，例如在 KITTI 2015 数据集上将 D1 指标降低了 50%，并且具有强大的跨领域泛化能力和恢复锐利边缘的特点。详细代码请参见此链接。

Mar, 2024

通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

Mar, 2017

通过利用流形结构先验信息，我们提出了一种基于重建框架的磁共振指纹成像 (MR fingerprinting) 方法，其中低维参数流形被用来表示指纹流形结构，同时加入局部低秩先验信息以改善重建性能。实验证明，该方法相对于现有方法在重建性能上有显著提升，并且计算时间得到了减少。

Oct, 2023

本文提出了一种基于全连接神经元的新型 MRF 模型，将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起，通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示，实现了高效的学习和在各种低级视觉任务中的卓越表现。

Sep, 2016