- 基于评分的扩散模型在光声断层成像重建中的应用
使用基于得分的扩散模型解决有限 PAT 测量下的图像重建问题，通过学习模拟血管结构的表达先验，保持对变化的传感器稀疏条件的鲁棒性。
- SCINeRF：快照压缩图像中的神经辐射场
我们研究了利用快照压缩成像（SCI）技术从单个时态压缩图像中恢复底层 3D 场景表示的潜力。我们的方法基于神经辐射场（NeRF）的强大 3D 场景表示能力，将 SCI 的物理成像过程作为 NeRF 的训练的一部分，从而在捕捉复杂场景结构方面 - 基于证明可靠性的分数传播后验采样用于即插即用图像重建
本研究提出了一种算法框架，用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法 (DPnP)，交替调用两个采样器，一个仅基于前向模型的似然函数的邻近一致性采样器，另一个仅基于图像先验的分数函数的降噪扩散 - 基于扩散恢复模型的超声成像
通过结合超声线性直接模型和基于生成的去噪扩散模型的学习先验，提出了一种混合重建方法，可以实现高质量图像重建并有效地估计多普勒变化的声回声强度。
- QSMDiff: 无监督的三维扩散模型用于定量磁敏感成像
通过开发一种基于三维图像补丁的扩散模型（QSMDiff），用于稳健的定量磁化敏感图谱（Quantitative Susceptibility Mapping，QSM）重建，超分辨率和图像去噪任务，本研究展示了在不同扫描参数之间的稳健性能表现 - 临床试验中，光子计数法的深度少视图高分辨率四肢 CT，剂量减半
本研究针对极限部位提出了一种基于深度学习的 X 射线光子计数计算机断层扫描（PCCT）图像重建方法，可以在较低辐射剂量和更快的速度下提高诊断图像质量，具有改善 PCCT 安全性和效率的潜力。
- EAGLE: 基于边缘感知的梯度定位增强损失用于 CT 图像重建
提出一种用于增强计算机断层扫描图像重建质量的新型损失函数 Eagle-Loss，通过对梯度变化中的局部特征进行光谱分析以增强图像的锐度和边缘，实验结果表明 Eagle-Loss 在低剂量 CT 重建和 CT 视场扩展任务中不断改善图像质量， - 在级联扩散模型中缓解稀疏视图 CT 重建引起的数据一致性差异
稀疏视图计算机断层扫描（CT）图像重建是一种重要方法，可以降低辐射暴露，但必然导致图像质量下降。本研究引入了一种新的级联扩散与差异缓解（CDDM）框架，包括潜空间中的低质量图像生成和像素空间中的高质量图像生成，在一个步骤的重建过程中实现了数 - 基于深度视觉表示模型的从脑电图信号重建视觉刺激图像
本文提出了一种基于脑电图 (EEG) 信号的图像重建方法，利用低成本、易携带的 EEG 设备构建了视觉刺激图像数据集，并建立了深度视觉表示模型 (DVRM) 来从 EEG 信号学习视觉刺激图像的分布特征，并通过深度神经网络在人类自然状态下还 - 自动驾驶车辆的多任务导向语义通信框架
通过提出一种多任务语义通信框架，本研究旨在解决连接和自动驾驶汽车（CAV）中的语义通信问题。采用卷积自编码器（CAE）对道路交通标志进行语义编码，并通过卫星在低可视性天气条件下从一个 CAV 传输到另一个 CAV。同时，该框架还提出了用于图 - 光学相干断层扫描成像中的三维图像融合的时空照明模型
光相干断层扫描（OCT）是一种非侵入性的显微成像模式，已在眼科临床中成为标准。我们提出了一个新的照明模型，利用正交扫描体数据的连续性来减少照明伪影，优化了 OCT 图像重建中的三维逆模型。此方法在眼科病理数据的评估中显示在 88% 的数据中 - 跨注意力的扩散模型作为串扰的归纳倾向
我们提出了一种新的视角和框架，论证了扩散模型与交叉注意力可以作为强大的归纳偏好来促进解缠表示的学习，通过对概念标记的交叉注意力桥接编码器和扩散之间的交互，在基准数据集上不经过额外正则化就实现了卓越的解缠性能，超过了所有之前采用复杂设计的方法 - 深度图像先验分析与图像重建中的自引导利用
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 - 压缩感知高光谱图像恢复的 gOMP 算法研究
通过数据稀疏化预处理将高光谱图像压缩 2.5 倍，并使用 gOMP 算法进行图像重建，结果表明当像素高度稀疏时，gOMP 算法能够以更高的准确性和更快的收敛速度重建高光谱图像，但与原图相比会降低重建图像的质量。
- 高级脑 MRI 的 SISMIK: 基于深度学习的运动估计和基于模型的 k 空间运动校正
通过回顾性方法结合深度神经网络和模型驱动的方法用于脑部常规二维自旋回波扫描图像中的平面刚体运动量化和校正，该方法能够有效估计高空间频率的运动参数并重建退化图像。
- 加速 MRI 的深度学习鲁棒性：多样训练数据的益处
深度学习在图像重建中是当前各种成像任务的最先进方法，研究发现使用不同数据分布来训练模型相对于单一数据分布训练的模型在加速磁共振成像上表现出更好的鲁棒性和性能，并且不会削弱模型在特定分布下的性能。
- 告诉我你所看见的：文本引导的现实世界图像去噪
在低光条件下，通过添加场景描述的先验信息，使用文本条件扩散模型，我们在合成和真实世界图像上展示了图像重建在低光条件下的显著改进。
- 单 PW 在美国成像中采用一种捷径生成复合 PW
通过采用先进的扩散模型，我们在超声图像重建方面展示出了有效性，从而实现了采样步骤的大幅削减，所得结果与传统的扩散模型相比具有可比性。
- 超声图像重建的快速采样生成模型
利用新型采样框架和先进的扩散模型，我们提出了一种从射频数据中重建图像的方法，以加速高质量图像的生成过程。通过实验评估，我们的方法在单平面波条件下胜过了具有 75 个平面波空间相干合成的传统延迟和求和 (DAS) 技术。
- LMD：潜在蒙版扩散技术加速图像重建
本文介绍了一种更快的图像重建框架 LMD，通过潜在遮蔽扩散方法，将高分辨率图像投影和重建在潜在空间中，设计了渐进遮蔽扩散模型，通过三种不同的调度器逐渐提高遮蔽比例，以从简单到困难地重建潜在特征，从而加快模型训练速度，同时保持了原始准确性，并