本文介绍了一种基于快速霍夫变换层的新型神经网络架构，将其应用于处理文档图像中的消失点检测问题，并使用 MIDV-500 数据集证明其强大的泛化能力。

Sep, 2019

本文提出了一种基于深度学习的逆 Radon 变换方法，可完成端到端的扫描成像重建，其网络结构包含一个可学习的全连接滤波层和一个可学习的正弦反投影层，通过 ImageNet 数据库的训练获得了较好的病患数据的重建结果。

Aug, 2018

描述了一种组合了 Radon 变换和一维累积分布变换的非线性可逆图像处理变换，并通过理论和实验结果表明其可以将某些问题在变换空间中线性可分。

Nov, 2015

我们提出了一种基于深度学习的计算算法来破解局部径向设定下的圆形 Radon 变换，该变换在光声断层扫描中出现。我们首先证明了截断奇异值分解方法，这是唯一可用于解决此问题的传统算法，会导致严重的伪影从而使重建场景没有用武之地。为了克服这个计算瓶颈，我们训练了一个基于 ResBlock 的 U-Net，以直接通过测量数据恢复推断场景。在噪声全视图和有限视图数据存在的情况下，使用增强 Shepp-Logan 幻影的数值结果，证明了所提出算法的优越性。

Aug, 2023

我们提出了一种基于深度 Hough 变换和动态卷积模块的网络架构，用于检测道路车道，通过在 Hough 参数空间中将车道特征结合起来并利用动态卷积模块有效区分车道特征，实验结果表明我们的方法在检测重度遮挡或磨损车道图像方面表现出了优异的性能。

Jul, 2023

本文提出一种利用 Hough 变换将深度学习特征转换为参数化域进行线条检测的方法，可提取上下文特征并比现有方法的性能更优。

Mar, 2020

通过改进的随机 Hough 变换技术，我们通过线性特征和空间分布来解决 UAV 图像中传输线路的检测准确度低和误报率高的问题，通过使用 Hessian 矩阵进行初始预处理和边界搜索和像素行分割来与背景进行区分，我们成功减少了误报和漏检，从而提高了传输线路识别的准确性。实验证明，与传统和随机 Hough 变换方法相比，我们的方法不仅处理图像更迅速，而且检测结果更好。

Feb, 2024

本文提出了一种基于 Hough 变换的卷积匹配算法 (Convolutional Hough Matching)，该算法可以在大量图像差异性的情况下实现可靠的视觉对应，并采用可训练的神经层进行非刚性匹配。实验证明，这种方法在语义视觉对应的标准基准上设置了新的最优表现。

Mar, 2021

通过引入 Hough 变换的思想，本文提出了一种基于卷积匹配的几何匹配算法 Convolutional Hough Matching，这种方法在几何变换空间中分配了候选匹配的相似度，并以卷积方式对其进行评估，将其转化为了一个可训练的神经层。该方法在相对较小的可解释参数下实现了非刚性匹配，并在标准基准测试方面实现了新的最佳结果，证明了其对具有挑战性的类内变化具有强大的鲁棒性。

Sep, 2021

使用 Transformer 网络重排径向部分数据以更好地处理非直角 k 空间成像，进而提高 MRI 图像的重建质量

Jun, 2022