超声断层成像的神经算子学习
用于提高超声波计算机断层扫描图像重建的新型技术，通过神经算子实现快速波动模拟，进而加速全波形反演过程，以促进近实时超声波计算机断层扫描图像重建的临床应用。
Dec, 2023
通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。
Jul, 2023
本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。
Jun, 2022
最近，机器学习的最新发展提出了一种被称为神经算子的神经网络架构，能够近似函数空间之间的映射关系。我们以应用于基础物理学为目标，研究了它们在量子力学的散射过程中的应用。我们使用傅里叶神经算子的迭代变体来学习 Schrödinger 算子的物理性质，它将初始波函数和势能映射到最终波函数。这些深度算子学习的想法在两个具体问题中进行了测试：一个是在 $1+1$ 维度中预测波包散射在中心势场中的时间演化的神经算子，另一个是在 $2+1$ 维度中的双缝实验。在推断过程中，与传统的有限差分求解器相比，神经算子可以提高数个数量级的计算效率。
Aug, 2023
本研究介绍了神经算子，它是一种学习算子的新型神经网络，能够在无限维函数空间中进行映射。我们证明了神经算子的广义逼近定理，可以逼近任何连续非线性算子。研究还提出了四类高效的参数化方法，并在偏微分方程的解算子的代理映射中应用了神经算子，结果表明相较于传统 PDE 求解器和现有的机器学习方法，神经算子具有更好的性能优势且速度更快。
Aug, 2021
通过引入物理和几何信息的神经操作网络，本文提出了一种应用于声波散射正向模拟的模型，该模型通过基于非均匀有理 B 样条 (NURBS) 的几何参数化方法，能够对任意形状的散射体预测散射声压场，并且具有简洁有效的表示方式，同时避免了基于物理的方法在改变计算域时需要重新评估模型的问题。数值研究结果表明，该方法具有出色的模拟任意散射体几何组合所产生的声波压力场的能力，突显了所提出的操作学习方法的独特泛化能力。
Jun, 2024
利用现代超分辨率技术，本研究提出了一种可靠且精确的 ToF 检测方法，通过结合超分辨率和高效的残差收缩块，平衡了精细信号细节和大尺度上下文信息，并对 ToF 进行了与六种先进方法的基准比较，结果显示了我们提出的 StofNet 在精度、可靠性和模型复杂性方面的卓越性能。
Aug, 2023
基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。
Sep, 2023