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

通过采用 Diffusion Prior Driven Neural Representation (DPER) 方法，本研究在解决计算机断层扫描（X-ray CT）重建问题中取得了显著的性能提升，有效应对了限角和稀疏视图场景下数据获取不完整、图像重建过程中出现多样化伪影的挑战。

Apr, 2024

通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

May, 2024

本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

Dec, 2020

VRS-NeRF 是一种用于视觉重定位的高效准确的框架，通过稀疏神经辐射场的显式几何地图和隐式学习映射来提高精度和效率，实验证明，该方法在准确性上优于 APRs 和 SCRs，与 HMs 接近且更为高效。

Apr, 2024

介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

Mar, 2018

稀疏视图 CT 重建研究中，3D 高斯模型的应用表现出更好的收敛性和新视图渲染，其通过启发来自滤波反投影重建图像的先验信息去初始化高斯模型，并通过在投影空间中比较差异来更新其参数，自适应密度控制进一步提高了性能，相比隐式神经表示方法 (INR) 3D 高斯模型更能从先验信息中受益，将性能更高效地分配在空白区域，加速了收敛速度，同时也能高效地学习高频细节。在自监督学习的方式下进行训练，3D 高斯模型避免了大规模配对数据的需求。对 AAPM-Mayo 数据集的实验证明，相比基于 INR 的方法，3D 高斯模型能够提供更优异的性能。

Dec, 2023

为提高高加速因子下的压缩感知 MRI 图像重构的结构损失，本研究提出了一种基于迭代特征精化模型 (IFR-CS) 的监督模型驱动网络 (IFR-Net)，其具有快速重构速度和保持结构信息的优点，同时探索了基于卷积神经网络 (CNN) 的稀疏性增强去噪模块。

Sep, 2019

本文介绍了一种移动友好的视觉变换（ViT）算法，称为 Mobile-SRViT，用于在不规则采样几何下处理合成孔径雷达（SAR）图像。该算法采用 ViT 方法进行 SAR 图像超分辨率 (SR) 处理，并在模拟和经验研究中进行验证。

May, 2023

本文提出一种名为 APR 的新型特征提取框架，该框架利用自编码器设计重建了一个带有几个帧的密集聚合点云，从而提取具有丰富局部几何信息的特征进行在线的远程点云配准。实验结果表明，APR 较 KITTI 和 nuScenes 数据集上的其他特征提取器表现更优秀。

May, 2023