本文首次证明了深度神经网络可用于计算成像中的反问题，并通过训练DNN成功地在无镜成像系统中恢复出相位物体。

Feb, 2017

该研究提出了一种基于生成模型和对抗学习的图像恢复算法，并通过物理模型约束学习提高了生成对抗网络的图像生成质量，具有在多种低级视觉问题中应用的广泛适用性。

Aug, 2018

本文介绍了利用边界计算的可训练神经网络结构，基于物理系统的先验知识优化传统基于模型的重建算法参数，并通过实验验证其在实际图像中的推广性和效果优越性，从而在掩膜无透镜成像器中实现更好的感知图像质量和更快速的图像采集处理。

Aug, 2019

本文介绍了一种有效利用生成对抗网络(DGP)捕获的图像先验的方法，它可以恢复各种退化图像中缺失的语义信息，还可以进行多样化的图像操作，通过松弛现有的GAN反演方法的假设，允许生成器以渐进的方式进行微调，并在GAN中的鉴别器处获得的特征距离作为正则项。这些易于实现和实用的改变有助于保持重构，使其保持在自然图像流形中，从而可以更准确、更忠实地重构真实图像。

Mar, 2020

本篇论文提出了一种用于图像去模糊的简单而高效的算法，其通过预处理Richardson解算器，使用模糊核和自然图像先验核的近似逆滤波器，以卷积的形式代替通用的线性预处理器，可以实现图像间高效的参数共享；同时利用CNN嵌入学习预处理器与辅助变量的 proximal operator，进一步提高了算法的鲁棒性与准确性，使其成为非盲目图像去模糊领域中性能更出色的算法。

Jul, 2020

该研究提出使用GAN作为先验来解决不适定的反演成像问题，并将方法应用于面部和材料的固有图像分解。该方法建立在GAN成功捕捉复杂图像分布的基础上，并展示了通过逆转多个GAN来维持分布先前的可能性，其是模块化的，可以成功地分解合成和真实图像，并利用GAN潜在空间的属性，提供了额外的优势，如图像重照。

May, 2023

在本文中，我们开发了一种数据驱动方法来对饱和像素进行建模，并提出了基于学习的潜变量映射进行非盲目去模糊处理的最大后验(MAP)问题，可通过迭代计算潜变量映射和潜变量图像来有效解决。为了提高去模糊图像的质量并避免加大伪影，我们开发了先验估计网络(PEN)来获取先验信息，并将其融入到RL方案中。实验结果表明，所提出的方法在合成图像和真实世界图像上在定量和定性方面都表现出色，优于现有的算法。

Aug, 2023

该研究论文中介绍了深度生成模型在图像去模糊中的应用，通过利用生成对抗网络以及对抗学习框架，成功地生成了清晰度更高的图像，解决了图像模糊所带来的挑战，并在实际应用中产生了明显的效果。

Dec, 2023

通过在图像去模糊问题的背景下探索最近提出的无雅可比反向传播（Jacobian-free Backpropagation，JFB）方法，本文展示了 JFB 在减少计算成本方面与优化方案、最先进的前馈网络以及现有的隐式网络具有可比性。

Feb, 2024

我们提出了一种新的多PSF无镜成像方法，采用双鉴别器循环对抗框架，通过稀疏卷积PSF感知辅助分支的独特生成器架构，结合训练循环中集成的前向模型，实现物理信息学习来处理无镜和有镜图像之间的大规模领域差距，全面的性能评估和消融研究凸显了我们模型的有效性，提供了强大而适应性强的无镜图像重建能力，我们的方法在单个PSF情况下实现了与现有PSF不可知生成方法相当的性能，并且在无需重新训练的情况下展示了对PSF变化的鲁棒性。

Jul, 2024