本文提出了一种基于多色谱的神经表示方法 (Polyner)，可在人体内存在金属植入物的情况下应对 CT 成像中的金属伪影，达到与有监督方法相媲美或优于有监督方法的成果。

Jun, 2023

本研究通过对输入信号进行重新排列，提出了混沌不变的隐式神经表示（DINER）。DINER 通过将哈希表添加到传统的 INR 骨干网络中，将坐标投影到相同的分布中，在减轻频谱偏差的同时，提高了信号建模的表现力。

Apr, 2023

通过采用 Diffusion Prior Driven Neural Representation (DPER) 方法，本研究在解决计算机断层扫描（X-ray CT）重建问题中取得了显著的性能提升，有效应对了限角和稀疏视图场景下数据获取不完整、图像重建过程中出现多样化伪影的挑战。

Apr, 2024

本研究提出了一种新颖的牙科锥形束计算机断层扫描重建方法，旨在有效减少常见金属植入物引起的伪影。通过使用隐式神经网络生成两张不同的信息性层面的断层图像，一张图像代表特定能量水平上的单色衰减分布，而另一张图像则捕捉了由多色 X 射线束的非线性光束硬化因素引起的影响。与现有的计算机断层扫描重建方法相比，该方法仅依赖于比尔 - 朗伯定律，在背投影过程中有效地防止了金属引起的伪影的产生。广泛的实验评估表明，该方法有效地减少了金属伪影同时提供了高质量的图像重建结果，凸显了第二张图像在捕捉非线性光束硬化因素方面的重要性。

Jul, 2023

我们提出了一种基于紧密变换增强编码网络（DTEC-Net）的无监督金属伪影削减方法，通过引入层次化解缠编码器、高阶紧密过程和变换器来处理 CT 图像中的非局部特征和保留结构信息。广泛的实验证明了 DTEC-Net 的有效性，在基准数据集上优于之前最先进的方法，并极大减少金属伪影同时还原丰富的纹理细节。

Jul, 2023

基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

Sep, 2023

在本文中，我们基于扩散模型提出了一种无监督金属伪影减弱方法，利用预训练的扩散模型在图像和正弦图领域内迭代地利用嵌入其中的先验知识，去除由金属伪影引起的退化区域，实验证明我们的方法在综合数据集上优于现有的无监督金属伪影减弱方法，并且在临床数据集上展现出卓越的视觉效果。

Aug, 2023

我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

Nov, 2023

通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

May, 2024

使用分布式隐式神经表示 (DINR) 网络进行 4D 时间空间重建的新方法，通过迭代优化网络参数，以使测量的投影图像最符合 CT 前向测量模型的输出。

Apr, 2024