提出了一种名为 PPRNet 的新物理驱动多尺度深度学习网络结构，能够从仅进行一次傅里叶幅度测量的数据中，准确、快速、并在实践光学系统中取得显著的重建效果。

Aug, 2022

本文提出了一种基于学习参考信号和解卷积神经网络的 Fourier 相位恢复方法，该方法在计算成本小的情况下提供接近完美的恢复，相比标准 Fourier 相位恢复方法有显著的性能提高。

Jul, 2020

近年来，神经网络已被用于解决成像中的相位恢复问题，比传统技术具有更高的准确性和速度，特别是在存在噪声的情况下。然而，在干涉成像的背景下，现有的神经网络结构很少解决相位噪声问题。本文介绍了一种 3D-2D 相位恢复 U-Net (PRUNe) 模型，它以噪声和随机相位移的干涉图作为输入，并输出一张 2D 相位图像。经过 3D 降采样卷积编码器和 2D 解码器的处理，模型能更准确、平滑地恢复相位图像，在低光强（<1 个光子 / 像素）和高光强（~100 个光子 / 像素）信噪比的干涉图像上，均表现出比现有算法更低 2.5-4 倍的均方误差。该模型为在极低光强干涉成像中进行相位恢复提供了更快速和更准确的方法，并将在其他多帧噪声成像技术中应用。

Feb, 2024

本文提出了一种融合基于数据的正则化和凸可行性的方法，通过实现基于凸可行性的不动点网络，在利用大量可用数据的同时来提高逆问题重建的精度和稳定性，并在计算机断层扫描重建及使用算法展开的神经网络中，得到了明显的性能提高。

Apr, 2021

从分数阶傅里叶变换的角度出发，本文提出一种新颖的单次曝光相位恢复范式，利用分数阶傅里叶变换基于物理测量模型，并结合自监督重建方法，解决了相位恢复中的问题，实现了支持自由相干衍射成像。

Nov, 2023

本文提出了一种攻击不可知的防御框架，通过在目标卷积神经网络中嵌入去噪和图像恢复模块以及限制分类层的 Lipschitz 常数来提高神经网络的固有鲁棒性，针对各种白盒和黑盒攻击进行了评估，证明了通过本文所提出的 Feature Pyramid Decoder 增强 CNN 可以获得足够的鲁棒性，特别是当进一步进行对抗训练时，性能比非增强版本更好。

May, 2020

通过在少数几个度量值中应用未训练卷积神经网络的自正则化属性，在没有任何正则化的情况下，可以从少数的随机测量中大致重建具有足够结构的信号和图像。

May, 2020

本研究通过将基于模型的变分重建与独立学习的深度神经网络操作器（DNN）应用到 ADMM 插拔框架中，研究了混合 PET 重建算法。在优化方面的最新结果基础上，通过对网络参数进行额外约束来实现方案的不动点收敛。我们提出了这样的 ADMM 算法，并在一个真实的 [18F]-FDG 合成脑检查中展示了该方案确实实验性地收敛到一个有意义的不动点。当没有在 DNN 的学习过程中强制执行所提出的约束时，实验观察到所提出的 ADMM 算法没有收敛。

Oct, 2023

本文提出了一种新的无监督特征记忆重组网络（FMR-Net）来准确检测各种纹理缺陷，通过提取多尺度特征、对比学习模块（CMFM）、全局特征重排模块（GFRM）来构建正常特征记忆库，采用两阶段的训练策略，使用多模式检测方法来实现缺陷定位，实验证明该方法具有较高的检测精度，适用于边缘计算的智能制造场景。

Jun, 2022

本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

Apr, 2017