本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

Apr, 2017

本文研究在 ReLU 激活的深度生成模型中，通过解决线性规划问题进行单层反演，证明了多层反演是 NP 难问题，提出了可在多项式时间内进行精确恢复的算法，并为恢复嘈杂观测提供了可证明的误差界限。

Jun, 2019

提出了一种利用差分坐标和子空间学习来近似角色变形的动画装置方法，该方法能够重构面部和身体变形而不需要严格的动画范例。

Jun, 2020

物理信息机器学习 (PIML) 逆问题算法主要包括 FWI 和神经网络，PIML 相较于传统方法具有避免局部最小值和局部训练优势，但对测试数据和训练数据相似性要求较高，可以通过预训练和微调策略来克服此限制。

Oct, 2023

本文研究了深度学习技术的隐私风险和在对抗性环境下的模型反演问题，并提出了设计两种技术来训练反演模型，从部分预测中准确地反演目标模型。

Feb, 2019

本文介绍了一种利用反馈信号进行迭代更新建模的方法，可在解决逆问题的过程中提供比传统优化法更快且更优秀的性能表现，同时在各项指标上均显著优于基于深度学习的方法，可广泛应用于 6-DOF 姿态估计、照明估计和逆运动学等领域。

Jan, 2021

本文介绍了一种利用神经网络通过传统的皮肤技术反转所经历的变形的方法，通过预计算值来提高计算效率，可以在变形时有效地查询它们，这是计算机视觉和图形学中重要的问题。

Apr, 2020

通过反向程序化建模的方法，我们提出了一种三维重建技术，并研究了两种变种。第一种选择使用遗传算法来拟合输入参数的集合，我们展示了我们在树模型和复杂对象的实验结果。第二种选择通过使用变异算法、可微分渲染和不可微分程序化生成器，显著提高了精度。我们的研究有两个主要贡献：首先，我们提出了一种将可微分渲染和反向程序化建模相结合的方法，从而在只有少量输入图像可用时（甚至只有一张图像），比现有方法更精确地重建三维模型；其次，我们将可微分和不可微分的程序化生成器结合在一个框架中，允许我们将反向程序化建模应用于相当复杂的生成器：当梯度可用时，重建是精确的；当梯度不可用时，重建是近似的，但总是高质量且无视觉伪影。

Oct, 2023

深度学习用于 NMR 信号反演，通过卷积神经网络将 NMR 信号反演看作图像到图像的回归问题，与 Tikhonov 和 MTGV 等正则化技术相比，深度学习具有明显的效率和易用性优势，因为在重建之前不需要进行超参数选择。通过对模拟 NMR 信号进行反演并与 Tikhonov 和 MTGV 正则化进行比较，结果显示深度学习的反演速度显著快于后两种正则化方法，并在几乎所有情况下优于这两种正则化技术。

Nov, 2023

探讨了将卷积神经网络（CNN）的内在正则化应用于地球物理反演问题，结果表明 CNN 提供的内在正则化在直流电阻率反演中是有效的。

Dec, 2023