本研究证明利用卷积神经网络技术处理非线性逆问题可以使电阻抗断层成像的重建效果更加清晰可靠。该网络通过对模拟数据进行训练，并成功地应用于实验数据的处理，无需额外的转移训练步骤。结果使用 ACT4 和 KIT4 电阻抗断层成像系统的实验数据呈现。

Nov, 2017

本文提出了使用深度神经网络解决电抗层析成像（EIT）问题的新方法。通过线性摄动分析正向映射并基于数值低秩性质，我们针对二维和三维问题提出了紧凑的神经网络结构，并证明了所提出的神经网络的高效性。

Jun, 2019

该研究致力于克服基于卷积神经网络的传统深度学习方法在复杂几何形状和非结构化网格方面的局限性，提出了改进图形 U-Net 体系结构的新方法，包括高斯混合模型卷积算子和噪声注入方法，这些方法使得在不同网格配置上能够准确预测流场的时空变化。研究还探讨了图形 U-Net 在转导学习和归纳学习方面的应用，并发现无池化操作的图形 U-Net 在归纳学习中表现更好，而归一化技术的选择对图形 U-Net 的性能也有显著影响。

Jun, 2024

本文介绍了一种新型绝对电阻抗层析成像（a-EIT）图像重建方法，该方法将深度学习技术与实时强健的 D-bar 方法配对，并通过训练卷积神经网络来进行后处理，以提高图像质量。

Nov, 2018

使用电阻抗成像（EIT）技术解决 EIT 反问题的方法进行了综述，重点考察了基于深度学习和传统分析方法之间的相互作用，评估它们在重建复杂电导率分布方面的能力，并引入了具有变化电导率情景的评估方法，以模拟组织或材料在现实场景中呈现空间变化的电学特性。

Oct, 2023

本文提出了面向图形数据的表示学习的新方法，包括 gPooling 和 gUnpooling，并基于这些方法开发了一种编码器 - 解码器模型 —— 图形 U-Nets，实验结果表明该模型在节点分类和图形分类任务中的性能明显优于先前的模型。

May, 2019

本研究针对现有方法进行了改进，从而提出了一种复杂阻抗层析成像技术，该技术通过使用卷积神经网络对成像结果进行后处理，以改善成像的分辨率和准确性。实验结果表明，该方法能够显著提高标准 Calderón 方法的性能。

Apr, 2023

本文提出了一种基于 UNet 的神经网络模型（El-UNet）用于推断机械参数和应力分布，相比于全连接物理信息神经网络，其精度更高且计算成本更低；并且提出了一种自适应空间权重的方法，用于求解三维反向弹性问题，有效性得到验证。

Jun, 2023

本文提出了一种基于非均匀傅里叶变换（NUFT）的新方法，用于直接、最优地对定义在单纯形网格上的不同拓扑结构的非均匀数据信号进行采样，从而将信号转换到频谱域中，并利用卷积神经网络进行信号分析，从而实现 3D 形状检索和点云到曲面重建等任务。

Jan, 2019

本研究基于 U-net 深度学习网络模型，将两个元素串联在 k-space 和图像域，考察了多通道 MRI 图像重建。实验结果表明，对于独立通道的重建，仅图像域的网络更好；对于多通道的同时重建，使用双域方法更优。同时发现，与先前发布的 Deep Cascade 模型相比，网络的级联使用在三个实验中有优势（p < 0.01）。

Nov, 2019