深层相位编码图像先验
LoDIP 结合 in-situ CDI 设置和隐式神经先验的能力，解决了单图低剂量相位恢复问题，通过定量评估证明了其卓越性能以及在实际实验场景中的适用性。
Feb, 2024
通过三个创新点，本研究提出了一个名为 DCPI-Depth 的框架，该框架采用稠密对应先验，通过上下文信息和光流进行深度感知，实现了在具有挑战性场景中的准确深度估计，并展示了更合理的平滑性。
May, 2024
本文提出了一种基于深度神经网络的技术，通过在双目成像系统的光圈平面引入相位掩膜，创造了一个深度相关的点扩展函数，从而克服了传统立体成像中成像体积和信噪比之间的基本折衷，从而获得了较为显著的扩展景深和更清晰的图像纹理，通过理论分析和实验验证，表明该技术可以在成像体积方面提高 6 倍左右。
Apr, 2021
本文提出了一种新的数据驱动方法，通过机器学习技术和物理学知识相结合，优化了 LED 阵列显微镜的编码照明模式，并将其应用于稀疏性相位重建算法，证明了该方法可以显著提高实验结果的准确性，且只需较少的训练数据。
Aug, 2018
利用光学编码和卷积神经网络的端到端优化方法，提出了一种多色滤光片的颜色编码孔径和卷积神经网络联合学习的深度估计方法，实验证明该方法能够提供更好的深度估计，并在真实场景中验证了该方法的可行性。
Sep, 2023
本文提出了一种基于 Fourier 特征和像素级 MLP 的图像先验模型 ——Positional Encoding Image Prior (PIP)，通过在各种图像重建任务中的应用表明它与 Deep Image Prior (DIP) 相当，并且在处理视频时表现出更好的稳定性。
Nov, 2022
本文介绍了深层光学的概念，通过编码式的散焦模糊作为额外的深度线索，以端到端设计的光学和图像处理结合来解决单张图像的深度估计问题，提出了几种光学编码策略，并针对三个数据集进行了深度估计的端到端优化方案评估，结果表明在自由镜面设计方面得到了最佳结果，同时，使用单片透镜的色差也可以实现显著的改善深度估计性能，我们构建了一个物理原型，并验证色彩象差改善了在真实世界中的深度估计结果。此外，我们还在 KITTI 数据集上训练了物体检测网络，并表明为深度估计优化的镜头也导致改进了 3D 物体检测性能。
Apr, 2019
通过分析深度图像先验（DIP）的训练动态，我们揭示了 DIP 基于核函数制度下从欠采样图像测量中恢复信息的重要属性；通过引入参考图像作为网络输入并结合新颖的去噪正则化项，我们提出了一种自引导重建方法，通过同时优化网络权重和输入，消除了训练数据的需求，并在磁共振图像重建方面超过了传统 DIP 和现代监督方法，并且在图像修补中也优于之前基于 DIP 的方案。
Feb, 2024