计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型，以增强稳定性，并通过梯度增强来增强表达能力。此外，我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用（即快速 MRI 和黑洞图像重建）上验证了我们的方法。我们的结果表明，我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。

Nov, 2023

基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量，然而，深度学习技术也容易出现意外失败和结构产生幻觉，因此在临床实践中安全使用这项技术需要良好校准的不确定性量化，本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术（PHiRec），展示了我们提出的方法不仅产生高质量的重建结果，而且比几个强基准模型具有更好的校准不确定性量化；此外，我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务，并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。

Aug, 2023

本文介绍了基于循环一致性的深度神经网络不确定性量化方法，通过建立前向 - 后向循环并进行回归分析，获得神经网络预测的不确定性评估。此方法可广泛应用于解决反问题的各种神经网络中。

May, 2023

本文介绍了一种称为 Null Space Networks 的新型网络结构，提出了概念 M 正则化，并通过将它与标准正则化方法结合使用，讨论了两阶段深度学习方法在逆问题求解中的实践和理论难点，同时指出 Null Space Networks 自然地保留了数据一致性特征。

Jun, 2018

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

本文针对深度学习方法在图像重建领域中的应用进行了可靠性研究，通过对受压缩感知、傅里叶和 Radon 重建等问题进行深入分析并量化和定性地比较了深度学习和总变分模型，其结果表明，深度学习模型不仅对统计噪声有抗干扰能力，而且对对抗干扰也能够很好地处理。

Nov, 2020

本研究提出了一种使用归一化卷积神经网络（NCNNs）学习输入置信度估计的新方法，并提出了 NCNNs 的概率版本以产生具有统计意义的不确定性度量，可用于噪声深度传感器的深度完成任务，并在 KITTI 数据集上表现出在预测准确度、不确定性度量质量以及计算效率方面优于所有现有的贝叶斯深度学习方法，同时还展示了分离网络到并行不确定性和预测流的性能媲美具有数百万参数的常规方法。

Jun, 2020

本文提出了一种针对 MRI 重建的新方法，该方法动态选择要采取的测量，并迭代地改进预测，以最大程度地减少重建误差和不确定性，并且使用 ResNet-based architecture 超越了标准的像素到像素模型。

Feb, 2019

对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

Feb, 2021

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