计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型，以增强稳定性，并通过梯度增强来增强表达能力。此外，我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用（即快速 MRI 和黑洞图像重建）上验证了我们的方法。我们的结果表明，我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。

Nov, 2023

本文提出了一种基于生成模型的贝叶斯逆问题方法，特别针对图像重建中的噪声和不完整图像，并解决了贝叶斯重建中遇到的常见问题：使用包含所有可用信息的复杂数据驱动先验，并在潜在空间和数据空间中进行可计算的不确定性量化。

Oct, 2019

在成像逆问题中，通过缺失或损坏的测量数据来恢复图像是一个不适定问题，因此我们提出了一种以任务为中心的方法来量化测量和恢复过程中引起的不确定性，其中使用符合性预测构建了一个区间，并保证以用户指定的概率包含真实图像的任务输出，并使用该区间的宽度来量化由测量和恢复产生的不确定性，我们还提出了一种在多轮测量中停止，直到任务的不确定性降至可接受水平的方法，该方法在加速磁共振成像 (MRI) 上进行了验证。

May, 2024

本文介绍了一种新的框架，基于少量实验数据、领域专业知识和现有图像数据集来训练变分推断，使贝叶斯机器学习模型可以在最小数据收集效果下解决成像反问题。经过广泛的模拟实验证明了该方法的优点，并在两个实验光学设置中应用：全息图像重建和通过高度散射介质成像。在两种设置中，都用很少的训练数据，达到了最先进的重建效果。

Apr, 2019

提出了一种名为 QuantifAI 的方法，利用数据驱动的先验知识处理射电干涉成像中的不确定性量化问题，通过高维度的统计模型和贝叶斯框架，实现了高质量图像重建和概率测量，并提供了用于结构假设检测的像素级不确定性推断方法。

Nov, 2023

提出 PUQ（主要不确定性量化）—— 一种新的不确定区域定义和相应的分析方法，可以考虑图像内的空间关系，以提供更小的不确定性区域，并通过实验验证其有效性。

May, 2023

通过引入不确定性量化技术，提供了一种给图像到图像回归问题提供统计保障的方法，使得能够对每个像素进行不确定性区间估计，并且保证这个估计在给定的置信度下包含了真实值。

Feb, 2022

利用稀疏先验的贝叶斯推断和基于凸优化的 MAP 点估计方法，利用概率浓度理论量化后处理的 MAP 估计量来提高无线电干涉成像的不确定性，为实际数据量和实际使用提供了一种扩展至大数据时代的无线电干涉成像的不确定性分析方法。

Nov, 2017

该研究提出了一种利用未经训练的深度生成模型估计未观察图像的后验分布的方法，从而量化重建不确定性。这种方法不需要训练数据，而是优化神经网络的权重以生成适合特定测量数据集的图像样本，通过这种方法，在干涉射电成像和压缩感知磁共振成像等领域得出了实证结果。

Oct, 2020

通过集合学习方法探索计算光学形态测量中的不确定度量化问题，采用深度学习方法来解决大规模的非线性反问题，并通过插入外分布误差以及噪声数据来探索其可靠性，研究结果表明集合方法可以在高维数据的实际应用中进行可靠预测。

Mar, 2021