通过使用基于残差网络的近端映射，以及递归应用近端梯度算法的基本架构，该研究成功地解决了许多有关从受限传感器数据中恢复高分辨率图像时遇到的挑战，包括训练数据的缺乏，需要满足物理可行性的合理重建，以及在实时应用中需要快速重建。经过广泛的实验，该架构在超分辨率和 MRI 图像的重建方面，表现了优于传统方法以及当前最先进的基于小波的压缩感知方法的性能。

Jun, 2018

本文提出了一个级联的神经网络架构来解决基于低采样率的线性逆问题。其中将深度生成式残差网络和像素级和感知损失函数相结合，成功地提高了 MRI 重建的信噪比而将推理速度增加了一百倍，并且也证明了通过设计的 ResNet 可以更好地建模去噪近端来提高图像的超分辨率。

Nov, 2017

我们提出了一种名为 Recurrent Gradient Descent Network 的深度优化方法，它使用超参数自由的更新单元和卷积神经网络来生成更新，从而学习了一种隐含的图像先验和通用的更新规则，从而在各种恶劣情况下，提高了图像恢复的质量。

Apr, 2018

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

通过深度展开法，结合了变分方法和深度学习的模型避免了超参数需要耗费大量时间并提高了计算效率，成功实现了图像恢复，结果远优于传统方法。

Dec, 2018

该论文提出了一种基于梯度下降与降噪相结合的噪声重建方法，可以高精度地重建电子显微学的层析成像问题，结果表明相对于传统方法和更复杂的扩散方法，该方法具有更高的精度和更快的计算速度。

Jul, 2023

通过引入高效的重复设计和卷积分解技术，我们提出了一种图像引导的网络方法，有效地从稀疏图像中逐步恢复出密集的深度图，实验结果在多个数据集上都达到了优秀的效果。

Sep, 2023

本研究提出了一种基于图像引导的神经网络，在处理深度不完整的情况下，通过引入重复设计和小时 glass 网络和动态卷积技术，提高了深度预测精度，在 KITTI 基准测试和 NYUv2 数据集上均取得了优越或有竞争力的结果。

Jul, 2021

本文提出了一种新的图像重构方法，使用卷积神经网络代替投影梯度下降器，并设计出一种反馈机制以确保重构图像与测量结果的一致性。该方法提供了正式的框架以确保传统的 PGD 算法收敛于非凸约束最小二乘问题的局部极小值，并使用一个基于 CNN 的简单框架来训练网络，解决噪声测量下的稀疏视图计算机断层扫描重建问题，相较于现有的基于总变化和 CNN 方法，实现了较大的改进。

Sep, 2017

本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。

Feb, 2020