近年来，神经网络已被用于解决成像中的相位恢复问题，比传统技术具有更高的准确性和速度，特别是在存在噪声的情况下。然而，在干涉成像的背景下，现有的神经网络结构很少解决相位噪声问题。本文介绍了一种 3D-2D 相位恢复 U-Net (PRUNe) 模型，它以噪声和随机相位移的干涉图作为输入，并输出一张 2D 相位图像。经过 3D 降采样卷积编码器和 2D 解码器的处理，模型能更准确、平滑地恢复相位图像，在低光强（<1 个光子 / 像素）和高光强（~100 个光子 / 像素）信噪比的干涉图像上，均表现出比现有算法更低 2.5-4 倍的均方误差。该模型为在极低光强干涉成像中进行相位恢复提供了更快速和更准确的方法，并将在其他多帧噪声成像技术中应用。

Feb, 2024

本文提出了一种基于 ResUNet-a 深度学习架构和 Dice 损失函数的可靠框架，用于进行单时相高分辨率航空图像的语义分割，并对多种广义 Dice 损失函数进行了性能分析和介绍了一种新的变异损失函数，该模型在 ISPRS 2D Potsdam 数据集上的平均 F1 分数为 92.9％，在所有类别方面均达到了最新性能。

Apr, 2019

使用深度学习的残差学习方法来提高立体重建质量，并可用于卫星图像等领域。在 ETH3D 基准和卫星图像领域，平均绝对误差降低了 50% 以上。

Jan, 2020

使用基于 Transformer 的深度学习模型，通过对非对照组和造影组图像进行训练，成功合成了肾盂造影期 CT 图像，并与真实肾盂造影期图像进行了比较，得到了相似度高的合成图像。该模型为 CT 尿路造影检查提供了一种方法，能够减少 33% 的辐射剂量。

May, 2024

通过使用深度学习卷积神经网络架构（如可调整的 U-Net），我们提出了一种在实验 XRD 图像中识别伪迹的方法，结果表明 U-Net 在测试数据集上能够一致地产生 92.4% 的召回率，与传统方法相比平均错误率降低了 34%，同时减少了 50% 以上的识别和排除伪迹的时间，进一步分析了后处理 XRD 数据的集成 1D XRD 图案。

Oct, 2023

本文介绍了一种基于 U-Net 的循环卷积神经网络（RCNN）基础上的模型 RU-Net 和基于 U-Net 的循环残差卷积神经网络（RRCNN）基础上的模型 R2U-Net。这些模型在医学图像分割任务中表现出优异的性能，比 U-Net 和 ResU-Net 等等同网络参数的模型表现更好。

Feb, 2018

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

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

本文提出了一种基于深度残差网络和 U-Net 的语义分割神经网络模型，可用于从航空图像中提取道路区域，并通过实验验证了该模型的优越性。

Nov, 2017

本文探讨利用神经网络进行相位恢复及全息图像重建，可以消除双幅像和自干涉产生的空间伪影，相较于现有的方法更快、准确。通过计算血液、宫颈涂片、组织切片等样本，验证了该方法的可行性，表明机器学习可以克服成像科学中的挑战性问题，为设计强大的计算成像系统提供了新的思路。

May, 2017