在稀疏投影 CT 上测试，通过与现有的基于分数的策略相比，使用多个训练数据集大小，cGLO 提供了更好的重建质量以及对于较小的训练数据集和减少的投影角度展现出逐渐增加的性能优势。此外，cGLO 不需要任何反向操作，甚至可以拓展应用于非线性的 IIPs。

Jul, 2023

该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。

Oct, 2021

基于评分的生成模型在医学图像重建任务中，如磁共振成像或计算机断层扫描，已经展现出极具潜力的结果。然而，它们在正电子发射断层扫描（PET）中的应用尚未被广泛探索。为了应对 PET 图像重建中的多个挑战，包括具有高方差和广泛动态范围的泊松噪声，我们提出了几种针对 PET 的评分生成模型的适应性改进。该提出的框架适用于 2D 和 3D PET，并通过使用磁共振图像进行引导重建的扩展。我们通过广泛的 2D 和 3D$ extit {in-silico}$ 实验，利用在没有病变的患者现实数据上训练的模型进行验证，并对没有病变的数据以及含病变的离群数据进行评估。这证明了所提方法的稳健性和显著的 PET 重建改进潜力。

Aug, 2023

在医学成像领域，计算机断层扫描（CT）和磁共振成像（MRI）是至关重要的技术。针对 CT 和 MRI 中遇到的稀视角 CT 和快速 MRI 重建等不同逆问题，基于评分的模型已被证明是有效的。然而，这些模型在实现准确的三维（3D）体重建方面面临挑战。现有的基于评分的模型主要集中在重建二维（2D）数据分布上，导致重建的 3D 体积图像中相邻切片之间存在不一致性。为了解决这个问题，我们提出了一种新颖的二次半的评分模型（TOSM）。在训练阶段，我们的 TOSM 在二维空间中学习数据分布，相比直接处理 3D 体积，降低了训练的复杂度。然而，在重建阶段，TOSM 通过利用沿着矢状、冠状和横断向的互补评分来更新三维空间中的数据分布，实现更精确的重建。TOSM 的开发建立在可靠且有效的理论原理之上。通过在大规模稀视角 CT 和快速 MRI 数据集上进行广泛实验，我们的方法展示了显著的进展，并取得了解决 3D 不适定逆问题方面的最新成果。值得注意的是，我们提出的 TOSM 有效地解决了切片间不一致性问题，实现了高质量的 3D 体积重建。

Aug, 2023

本文介绍了 SURE-Score， 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法，演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。

May, 2023

我们提出了一个框架，使用条件分数扩散模型执行贝叶斯推理来解决机械学中涉及由加载的噪声测量推断出具有空间变化的材料属性的一类反问题。

Jun, 2024

我们展示了得分为基础的生成模型可以用于研究优化问题，这解决了常常是非凸且难以解决的问题。我们的实验结果证明了使用该框架在计算机断层扫描图像恢复方面的潜力。

Apr, 2024

本研究提出了一种基于 meta-learning 的方法，通过使用 teacher-student 机制学习低场磁共振成像到高场磁共振成像的映射，解决了直接学习由低场到高场映射的方法的局限，通过实验证明，该方法在重建高场磁共振成像方面优于现有的技术。

May, 2023

本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

Oct, 2019

探讨了深度神经网络在解决计算成像中出现的广泛逆问题方面的应用，提出了一种可以用于将不同问题和重建方法分类的分类法，并讨论了各种重建方法的权衡及其困难点、常见失败模式、未来研究的开放问题和途径。

May, 2020