在天文望远镜的成像过程中，波束或点扩散函数（PSF）的反卷积是一项关键任务。我们提出了一种无监督网络结构，利用先前的物理信息实现图像反卷积和重构，通过引入加速的快速傅里叶变换（FFT）卷积实现对高分辨率输入图像和 PSF 的高效处理。通过比较分析对自编码器（AE）和 U-Net 等各种经典回归网络进行了综合性能评估。

Mar, 2024

利用去噪扩散概率模型（DDPM）生成逼真的模拟星系图像，并借鉴深度生成学习文献中的 Frechet Inception 距离和新引入的合成星系距离指标进行相似度比较和 Emergent 物理特性比较，其效果比其他生成方法（如对手网络）更为真实，可用于量身定制特定成像调查的大量合成观测数据，证实其精确插值和域转换方法的潜在用途，并在星际物理学领域推动了该主题的进一步研究。

Nov, 2021

本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。

May, 2023

本研究提出一种基于深度学习的图像去卷积方法，通过使用神经网络将点扩散函数（PSF）映射到单位冲激响应上，并通过对比映射后的 PSF 与单位冲激响应的差异来评估 PSF 适用于深度学习辅助去卷积的可能性，研究发现该方法在提高去卷积质量方面表现出良好的性能，可用于设计衍射光学元件和优于传统框架。

May, 2024

通过对银河系人口的详细结构进行研究，可以提供有价值的关于其形成和演化机制的深入洞察。本文介绍了一种方法，结合了基于得分的似然特征和扩散模型先验的最新进展，用于进行图像去卷积的贝叶斯分析。该方法在经过最简处理的哈勃太空望远镜（Hubble Space Telescope, HST）数据上应用时，恢复了只能在下一代詹姆斯・韦伯太空望远镜（James Webb Space Telescope, JWST）成像中才能看到的结构。

Nov, 2023

使用生成对抗网络训练的方法，能够更好地恢复低信噪比和低角分辨率成像数据中的天体物体的详细特征，从而增加研究天体物体的现有数据集以及未来观测中的能力。

Feb, 2017

本文使用受非平衡热力学考虑的潜变量模型 —— 扩散概率模型，提出了高质量的图像合成结果。通过根据扩散概率模型和 Langevin 动力学的去噪得分匹配之间的新颖联系设计加权变分界限进行训练，获得了最佳结果；此外，我们的模型自然地采用渐进式有损解压缩方案，可以解释为自回归解码的一般化。在无条件的 CIFAR10 数据集上，我们获得了 9.46 的 Inception 得分和 3.17 的最先进的 FID 得分。在 256x256 LSUN 上，我们获得了与 ProgressiveGAN 相似的样本质量。

Jun, 2020

本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。

Jun, 2023

针对图像复原中存在的多种可能解决方案，本文提出了一种基于条件扩散模型的盲去模糊方法，使用确定性预测器和随机采样器产生多个可能的重建结果，相比现有技术在图像感知质量上有了显著提高。

Dec, 2021

通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

Mar, 2024