使用非监督物理知识神经网络重建方法，结合衍射正演映射与重叠测量的约束，提高了重构速度和质量，为高通量环境下的高分辨率实时成像带来了令人兴奋的前景。

Jun, 2023

采用深度模型或物理模型是解决可编程照明计算显微术中逆采样重建问题的两种主流方法。本文结合深度模型和物理模型的优势，提出了一个由三个子神经网络组成的混合框架，在计算显微术中快速解决计算重建逆问题并取得更好的结果。该框架通过深度学习神经网络获得富含语义信息的结果，并将其作为物理网络的初始值，保证输出符合物理过程约束。两个结果作为输入传递给融合深度学习神经网络，进一步增强图像质量。验证了该混合框架的可行性和有效性，通过理论分析和实际实验在分辨目标和生物样本上。

Jan, 2024

本研究提出了一种基于统计学习和卷积神经网络的高度可扩展的方法，通过散射介质中捕捉到的雹花强度模式，模型具有抗雹花去相关性的鲁棒性，并能够实现准确物体预测。

Jun, 2018

使用自注意力层动态转换光纤矩阵的坐标表示，以便进一步处理，证明了这种方法对多种光纤矩阵数据集的有效性。

Jun, 2024

通过开发深度学习重建方法，我们为实时近场多输入多输出（MIMO）雷达成像系统提供了一种新颖的非迭代重建方法，旨在在压缩设置下以较低的计算成本实现高质量图像。

Dec, 2023

我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

Nov, 2023

通过多芯光纤实现的定量相位成像（QPI）是一种新兴的无创内窥镜成像模式。我们展示了一种基于学习的 MCF 相位成像方法，将相位重构时间显著缩短至 5.5 毫秒，实现了 181 帧每秒的视频级成像。此外，我们引入了一种创新的光学系统，自动生成了首个针对 MCF 相位成像的开源数据集，包含 50,176 对散斑和相位图像。经过训练的深度神经网络（DNN）在实验中表现出鲁棒的相位重构性能，平均保真度高达 99.8％。这种高效的光纤相位成像方法可以拓宽 QPI 在难以到达区域的应用。

Dec, 2023

本文研究了利用高斯混合模型片段先验来解决图像分解中面临的逆问题。通过在一个稀疏的补丁集合中选择其中一个模式，自动完成分解。实验结果展示了该方法在合成和实际反射图像中的性能。

Feb, 2017

本研究提出了一种端到端的自监督机器学习方法，通过仅仅使用衍射图像来恢复粒子方向并估计倒易空间强度，从而在 X 射线自由电子激光器的实验条件下展示了卓越的鲁棒性和显著增强的重建能力，标志着在目前 XFEL 上实施的单颗粒成像中的范式转变。

Nov, 2023

使用生成模型、潜在扩散模型和基于回归的深展开方法，提出了一种轻量级模型来生成导向重建过程，以改善快照压缩光谱成像重建的质量和计算效率。

Nov, 2023