本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

Dec, 2020

介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

Mar, 2018

通过稀疏视图重建减少辐射剂量的研究方向中，我们提出了一种新的重建框架，名为 DIF-Gaussian，利用三维高斯函数在三维空间中表示特征分布，通过测试时优化改进模型的泛化能力，通过在两个公共数据集上的评估结果，显示出明显优于最先进方法的重建性能。

Jul, 2024

提出一种新方法，通过结合空间和时间信息，采用水平集方法和正弦基函数表达动态物体的运动，实现高分辨率时间图像的重建。与当前方法相比，在合成和伪动态真实 X 射线断层扫描数据集上表现出优越性能，为断层显像的动态过程提供改进的可视化和分析。

Nov, 2023

通过利用显式多尺度体素表示来实现三维空间中的区域间学习，并引入比例 - 视图交叉注意模块以自适应地聚合多尺度和多视图特征，我们提出了 C^2RV 方法，通过广泛实验证明其在具有多样化解剖结构的数据集上相比先前的领先方法实现了一致并显著的改进。

Jun, 2024

本研究利用物理规范化深度自监督学习结构，加速针对集成电路的 ptycho-laminographic 重建，仅需采集 16 倍少的角度样本和 4.67 倍更快的计算，且重建品质优于完整采集和无学习的密采集重建，从而实现了对纳米结构的三维检查，并为安全和可靠性保障做出了贡献。

Apr, 2023

使用卷积循环神经网络，从木材的外形预测内部缺陷的位置，以实现便宜设备（如激光测量工具）的有效测量和诊断。

Aug, 2023

本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积，通过将粗略的，固定分辨率的体积与输入的 X 光融合成高分辨率的体积，以实现更加精细化的成像。同时，研究团队还创建了一个新的数据集，其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据，为以前基于层析成像和数据驱动学习的方法提供了比较和验证，并应用于实际 X 光成像数据的重构和渲染。

Oct, 2017

本研究利用来自训练图像的字典作为先验进行断层扫描重建，并使用张量表示和稀疏约束来解决字典学习和重建问题。结果表明，我们的张量表示方法可以得到非常稀疏的表示，同时能够紧凑地表示重复的特征。

Jun, 2015

基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。

Sep, 2023