用于射电干涉测量中高分辨率、高动态范围综合成像的一种新的人工智能方法。该方法基于混合深度神经网络（DNN）和数据一致性更新，通过将重建视为一系列以前一次迭代的残差脏图像作为输入的 DNN 的输出的残差图像来建立。该方法能够以较少的项提供高精度成像，并且在计算效率上比其他算法更快。

Sep, 2023

这篇研究论文使用 Residual-to-Residual DNN（R2D2）方法进行高动态范围成像，通过集成学习的方式生成多个 R2D2 实例，从而提供了一种同时估计和量化不确定性的功能。结果表明，R2D2 的图像估计能力优于现有算法，计算多个重建样本和不确定性图在大图像尺寸下也非常实用，并且模型的不确定性非常低。

Mar, 2024

基于非笛卡尔磁共振图像重建的 Residual-to-Residual DNN 系列 (R2D2) 方法，利用分层残差图像的迭代估计形成多层 DNN 输出，从而实现可扩展且优于传统 PnP 方法的重建质量。

Mar, 2024

该论文介绍了一种基于深度神经网络的雷达数据处理方法，能够提供无混淆的雷达成像和超高分辨率，使用真实模拟数据进行了验证，证明了该方法性能优于现有的子空间算法和机器学习方案，为雷达信号处理提供了很有前途的解决方案。

Jun, 2023

我们的研究将毫米波雷达成像超分辨率重新定义为一维信号超分辨率光谱估计问题，通过利用雷达信号处理领域知识，引入创新的数据归一化和基于信噪比的损失函数，实现了适用于汽车雷达成像的定制深度学习网络，表现出了可观的可扩展性、参数效率和快速推理速度，以及在雷达成像质量和分辨率方面的提升性能。广泛的测试证实，我们的 SR-SPECNet 在产生高分辨率的雷达距离 - 方位图像方面，超过了现有方法，在不同天线配置和数据集大小方面都表现出色。源代码和新的雷达数据集将在网上公开提供。

Jun, 2024

提出基于深度残差网络的压缩感知图像重构算法 DR$^{2}$-Net，通过两个观察，即线性映射可以重建高质量的初步图像，残差学习可以进一步提高重建质量。DR$^{2}$-Net 由线性映射网络和残差网络两个组件构成，实验结果表明其在压缩感知图像重建上胜过传统迭代方法和现有的深度学习方法。

Feb, 2017

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

使用深度学习方法，构建一个名为 3D-R2N2 的递归神经网络结构，使用大量的合成数据将图像映射到对应的 3D 形状，无需图像注释或对象分类标签，可以在缺乏纹理或宽基线的情况下，实现对象的 3D 重建，并在单视图重建方面优于现有的最先进方法。

Apr, 2016

本文提出了一种基于卷积循环神经网络的深度学习加速 MRI 重建方法，称为 RecurrentVarNet，通过在观测域（$k$-space）而非图像域中进行优化，每个 RecurrentVarNet 块都由数据一致性项和递归单元组成，可以有效地重建 MRI 图像，并在公共多线圈数据集上优于传统方法和之前的深度学习方法。

Nov, 2021

本研究提出了一种基于卷积神经网络的方法，可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数，并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间，并且在峰值信噪比方面表现的也更为优秀。

May, 2023