研究在扩展的视野下，采用两种策略实现多源平移计算机体层摄影的高质量分析重建，分别为无权 D-BPF 和全扫描 mSTCT 引入 BPF 以平衡误差。

May, 2023

提出两种用于线性计算机断层扫描（LCT）的重建体系结构，其中一种通过神经网络学习 Hilbert 滤波函数从而得到完整的内部重建，另一种通过多个方向的 Hilbert 滤波模型叠加重建结果，虽然存在一些伪影，但适用于特定方向的外部轮廓成像。

Sep, 2023

利用已知的运算符学习方法，以及采用一种新颖的自适应滤波过程的滤波反投影算法，这篇论文提出了一种重建特定轨道的圆锥束计算机断层成像（CBCT）的新方法。通过实验，该方法成功地从圆形轨道投影数据中学习出最佳参数并实现图像重建，提高了重建速度和减少了内存使用。

Mar, 2024

使用物理学基础的神经网络通过优化 LED 发光模式设计来实现超分辨成像，进而压缩原先需要的多次测量，减少时间和成本。

Apr, 2019

本文提出了一种基于深度卷积神经网络的数据驱动学习方法，用于在限角摄影术下提取和抑制 FBP 重建的特定伪影。 实验结果的定性和定量评估表明，该方法在伪影抑制和细节恢复方面表现出稳定和有前途的性能，为从有限投影数据中重构出的图像质量的提高提供了简单和高效的途径。

Jul, 2016

该研究引入一种基于傅里叶级数的可训练滤波器，用于在过滤反投影 (FBP) 框架中进行计算机断层扫描 (CT) 重建。该方法通过优化傅里叶级数系数来构建滤波器，克服了传统 FBP 方法中噪声减少的限制。该方法在不同分辨率尺度下具有稳健的性能，并且与其他深度学习框架相比，对可训练参数的增量极小，保持了计算效率。此外，我们提出了高斯边缘增强 (GEE) 损失函数，该函数优先考虑高频幅度的 $L_1$ 范数，有效对抗了均方误差 (MSE) 方法中普遍存在的模糊问题。该模型基于 FBP 算法，保证了卓越的可解释性，因为它依赖于通过严格的数学程序导出的数据驱动滤波器的所有其他参数。我们的傅里叶级数滤波器设计为即插即用的解决方案，可以轻松集成到现有的 CT 重建模型中，成为广泛实际应用的多功能工具。我们的研究提出了一种强大且可伸缩的方法，扩展了 FBP 在医学和科学成像中的应用价值。

Jan, 2024

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

本研究提出了一种名为 Coordinate-based Continuous Projection Field (CoCPF) 的方法，用于填补内部未建模区域，从而改善稀疏视图计算机断层扫描（SVCT）的重建质量。通过使用条带采样模块和可微分渲染模块，CoCPF 能够准确估计 SV 投影之间的内部测量值，并生成高质量的 CT 图像。与现有方法相比，CoCPF 在各种投影数量和几何形状下的 2D 和 3D SVCT 重建中表现出色，输出细节更加精细且没有或较少伪影。

Jun, 2024

本文提出一种新的在线优化算法，基于 FISTA 算法，使用只有子集的测量数据实现了可扩展的傅里叶全息显微（FPM）成像，模拟和实验数据结果表明该算法可以显著提高性能。

Oct, 2018

通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。

Nov, 2023