- 将复杂神经网络解构为可解释的任务特定连接组
使用功能核磁共振成像的任务特异性数据，我们通过解构任务特定的神经网络成一组基本组件，通过将这些网络映射到大脑区域，进一步对其功能进行表征并确定其生理基础。研究结果显示了标准网络的良好任务特异性、对不同人群、研究和获取协议的普适性、以及标准网 - PI-AstroDeconv：一种物理信息引导的无监督学习方法用于天文图像去模糊
在天文望远镜的成像过程中，波束或点扩散函数（PSF）的反卷积是一项关键任务。我们提出了一种无监督网络结构，利用先前的物理信息实现图像反卷积和重构，通过引入加速的快速傅里叶变换（FFT）卷积实现对高分辨率输入图像和 PSF 的高效处理。通过比 - 波前随机化改善去卷积
通过添加随机掩蔽物到成像系统，减少对畸变的依赖，降低传递函数的零点概率，进而在去卷积过程中降低对噪声的敏感度，以提高图像质量。
- 通过跳过零值来减少卷积层的计算复杂度
本文提出了 C-K-S 算法，通过去除填充值和将稀疏张量转换为密集张量等方式减少生成深度神经网络运算时 0 值造成的计算冗余， 并在 GPU 上实现进行了高效的反向传播运算， 有望进一步方便对特定 GPU 的全面优化。
- 高斯过程去卷积
本文旨在探讨退卷积问题及其在高斯过程先验下的贝叶斯非参数解决方法，分析退卷积问题反问题的可行性条件及盲退卷积情形下滤波器学习的可行性并对结果进行实际数据验证。
- $E (3) \times SO (3)$- 等变网络在扩散磁共振球面去卷积中的应用
本文介绍一种 $E (3) imes SO (3)$ 等变的分别对球形信号进行稀疏反卷积的框架，并使用等变深度学习层来改进交叉解剖结构如白质束的测量，从而提高 dMRI 的成像质量。
- IJCAI使用生成对抗网络进行单通道信号分离和反卷积
本论文提出了一种基于对抗生成网络和优化算法的合成 - 分解方法，可用于单通道信号分离和反卷积，能够识别混合信号中的各个源，实现了峰值信噪比的提高。
- 傅里叶域图像处理优化
本文详细阐述了在 Fourier 域中解决凸图像优化和反卷积的框架，给出了数学背景和相应实现，并指出在当前大规模图像情况下，这种方法的效率优势。
- 稀疏盲反卷积中的结构局部极值
该研究针对短且稀疏的盲退卷积问题，将其作为一个在球面上的非凸优化问题，通过一个简单的初始化方法和逃离严格鞍点的下降算法，在特定条件下能达到接近真实卷积核的效果。
- RPCA 和拟保形映射恢复大气湍流畸变图像
本文提出了一种新颖的算法来降低由大气湍流引起的几何失真以及时空变化的模糊，该算法首先利用适当的能量函数得到一个清晰度较高的参考图像以及一个包含参考图像的清晰和略微失真图像帧的子采样图像序列，然后通过稳定变形场来稳定子采样图像序列，最后应用鲁 - 使用卷积神经网络对三维荧光显微图像进行各向同性重建
本研究提出了一种使用卷积神经网络恢复各向同性分辨率的方法，能够针对荧光显微镜成像数据中子期 / 横向分辨率差异的问题提供有效的解决方案，并在 3 种合成数据和 3 种实际数据集上得到比清晰度恢复和超分辨率技术更好的成果，以及以标准 3D 分 - CVPR反卷积层和卷积层是否相同？
本论文中，我们重点关注了关于我们所提出的网络模型的两个问题：我们提出的层和反卷积层之间的关系，以及为什么低分辨率空间中的卷积是更好的选择。通过实验我们发现对于相同的速度，将所有卷积都放在低分辨率空间中，比先在高分辨率空间中插值再进行卷积的方 - 快速物体检测的统一多尺度深度卷积神经网络
本文提出了多尺度卷积神经网络（MS-CNN）用于实现快速的多尺度目标检测。并通过一个 proposal sub-network 和一个 detection sub-network 实现了 end-to-end 的联合训练，同时还探索了使用反 - 使用凸规划进行盲反卷积
本文研究了从环形卷积中恢复两个长度为 L 的未知向量 w 和 x 的问题，将其转化为低秩矩阵恢复问题，通过核范数最小化方案，利用线性测量准确地解卷积问题并降低通信中的盲目估计。