利用深度学习和超分辨率技术重建失去的特征，以改善眼科临床医生的决策，应对广场视野 OCT 系统降低分辨率的挑战。

Jan, 2023

本文研究了基于张量分解的高光谱超分辨率技术，提出了一种基于 LL1 张量分解的方法，可以将潜在因子解释为光谱图像的关键组成部分，从而便于加入先验信息以提高性能。

Jun, 2020

提出了一种混合注意力结构的网络 (HASPN) 来实现对非采样光学相干断层扫描图像的超分辨率恢复，以加快图像采集速度，并在糖尿病性黄斑水肿视网膜资料集上验证了其良好的泛化能力。

Jun, 2024

光学相干断层扫描（OCT）通过提高形态结构解析能力，利用深度学习技术实现了基于医学图像的诊断与治疗。为了克服现有深度学习方法在图像重建中的频率偏差问题，本文提出了一种结合频率感知超分辨率框架，通过集成三个关键的基于频率的模块（频率变换、频率跳跃连接和频率对齐）及频率损失函数到条件生成对抗网络（cGAN）的方法。通过对一个现有的冠状动脉 OCT 数据集进行大规模定量研究，证明了我们提出的框架优于现有的深度学习框架。此外，我们还将该框架应用于鱼角膜图像和大鼠视网膜图像，证明了它在眼科成像中对解析形态细节的能力。

Jul, 2023

提出基于深度学习的神经网络来校正 OCT 图像中的运动伪影，并在实验中表明该方法可以有效地校正运动伪影，恢复视网膜的整体曲率，并能够推广到各种疾病和分辨率。

May, 2023

通过引入级联摊减潜在扩散模型（CA-LDM），我们以一种内存高效的方式合成了高分辨率 OCT 体积，实验证明合成数据具有逼真的高分辨率和全局特征，优于现有方法，并在两个下游细粒度分割任务上改善了深度学习模型的性能。

May, 2024

通过综合切片训练和注册模块的自监督学习框架进行的实验研究，旨在改善光学相干断层扫描成像中存在的强散斑噪声，从而提高定量分析的性能。

Nov, 2023

本文研究了如何从少量线性测量中恢复高阶的低秩张量，介绍了几种张量分解的迭代硬阈值算法，并探讨了其收敛性，界限和性能，考虑了高斯随机测量、张量补全和傅里叶测量等不同情形。

Feb, 2016

本文提出了一种基于深度学习的 k - 空间插值方法，该方法结合卷积神经网络和数据驱动框架，并且可以轻松应用于非 Cartesian k-space 轨迹。实验结果表明，该方法在压缩感知中具有较好的性能。

May, 2018

本文介绍了两种融合随机化技术的低秩张量逼近方法，并进一步研究了鲁棒高阶张量完成问题。实验结果表明，该方法在计算效率和精度上均优于其他最先进的方法。

May, 2023