本文提出了一种基于深度学习的逆 Radon 变换方法，可完成端到端的扫描成像重建，其网络结构包含一个可学习的全连接滤波层和一个可学习的正弦反投影层，通过 ImageNet 数据库的训练获得了较好的病患数据的重建结果。

Aug, 2018

该研究提出了一种精确的可微前向和后向投影软件库，以确保预测出的图像与原始测量数据的一致性，同时最小化 GPU 内存占用，方便与现有深度学习培训和推理管道的无缝集成。

Jul, 2023

本研究提出了一种采用卷积神经网络和 Radon 条形码的医学图像检索方法，结果表明其在医疗图像中检索方面的表现优于其他已发表的方法。

Apr, 2016

TorchXRayVision 是一款用于处理胸部 X 射线数据集和深度学习模型的开源软件库，提供了公共界面和预处理流程，支持多种公开的胸部 X 射线数据集，并且通过库中预训练的不同架构、不同数据集组合的分类和表示学习模型作为基线或特征提取器。

Oct, 2021

基于深度神经网络的数据驱动方法相较于传统方法，能够更稳定地重建有限角度 Radon 变换中的信息。

Mar, 2024

我们提出了一个名为 Deep Radon Prior (DRP) 的全无监督框架，通过将神经网络作为一个隐性先验引入迭代方法中，解决了现有方法中的一些限制。该方法在逐步优化神经网络的多个阶段中，在 Radon 域中缩小了欠约束成像协议的解空间，并讨论了所提方法的收敛性。与常用的预训练方法相比，该提出的框架不需要数据集，同时具有更好的可解释性和泛化能力。实验结果表明，该方法能够生成细节图像并有效抑制图像伪影，同时与有监督方法相比，DRP 的性能相当或更好。

Dec, 2023

我们提出了一种基于深度学习的计算算法来破解局部径向设定下的圆形 Radon 变换，该变换在光声断层扫描中出现。我们首先证明了截断奇异值分解方法，这是唯一可用于解决此问题的传统算法，会导致严重的伪影从而使重建场景没有用武之地。为了克服这个计算瓶颈，我们训练了一个基于 ResBlock 的 U-Net，以直接通过测量数据恢复推断场景。在噪声全视图和有限视图数据存在的情况下，使用增强 Shepp-Logan 幻影的数值结果，证明了所提出算法的优越性。

Aug, 2023

介绍了一种 HoughToRadon 变换层，旨在改善神经网络与 Hough 变换结合以解决语义图像分割问题的速度。实验证明，这种方法在文档分割任务中节省时间并实现了 97.7% 的准确率，优于计算复杂度更高的 HoughEncoder。

Feb, 2024

利用扩散模型技术将二维图像转化为三维体积，从医学角度解决了之前研究中的两个限制，并通过像素强度随机变换训练和推断，使得扩散模型能在传统射线照片上进行可靠的深度学习

Apr, 2024

描述了一种组合了 Radon 变换和一维累积分布变换的非线性可逆图像处理变换，并通过理论和实验结果表明其可以将某些问题在变换空间中线性可分。

Nov, 2015