通过未经训练的深度生成模型提出一种新方法，解决压缩感知恢复问题，具有比以前的方法更好的性能，并且不需要大规模数据集的预训练。同时，结合了关于网络权重的先验知识的新型学习正则技术，减少了重建误差。最后，通过 DIP 优化方法，证明了适度超参数的单层神经网络可以完美拟合任何信号，这一理论结果为提前停止提供了依据。

Jun, 2018

通过分析深度图像先验（DIP）的训练动态，我们揭示了 DIP 基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统 DIP 和现代监督方法，并且在图像修补中也优于之前基于 DIP 的方案。

Feb, 2024

该研究对未经训练的神经网络在磁共振成像（MRI）重建领域的应用进行了讨论，通过理解网络架构的频率特征，提出了两种与架构无关的改进方法，从而使得不合理设计的模型在性能上能够接近高性能模型。

Dec, 2023

本文介绍了自然图像的一种先验算法 —— 深度图像先验，它使用卷积神经网络对随机输入进行输出，通过使用梯度下降来调整网络参数以使输出匹配观测值。该方法在一系列图像重建任务中表现良好。同时通过推导得出结论，该算法渐近等于一个平稳的高斯过程，这启发了贝叶斯推断的方法。通过使用随机梯度 Langevin 对后验推断实现去除过早终止的需要，并在去噪和修补任务中提高了结果表现。我们在一些一维和二维信号重建任务中验证了这些算法的实用价值。

Apr, 2019

使用最大似然估计方法和深度图像先验，研究了从受散斑（乘性）噪声影响的多组测量中恢复复值信号的理论和算法方面。

Feb, 2024

通过引入新的重新参数化方法和对权重矩阵的光谱进行控制，使生成对抗网络在图像生成方面取得了更好的表现。

Dec, 2018

本文提出了一种利用深度神经网络模型中的隐式先验进行线性反问题求解的方法，借助宫澤统计学理论和随机梯度上升算法，在去噪、去模糊、插值和压缩感知等方面取得了最先进的非监督性能水平。

Jul, 2020

本研究从频率角度分析了 Deep Image Prior 中未经学习的上采样是 DIP 去噪现象的主要驱动力，因此提出了一种无需耗时搜索即可估算出每张图像适当的网络结构的方法，实验结果表明，估算出的网络结构在去噪和保留纹理细节方面比当前方法使用更少的参数且效果更好，且因其欠参数化的性质，更能抵抗高噪声干扰。

Apr, 2023

使用生成模型、潜在扩散模型和基于回归的深展开方法，提出了一种轻量级模型来生成导向重建过程，以改善快照压缩光谱成像重建的质量和计算效率。

Nov, 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