- 领域自适应视觉观察的模仿学习
在这篇论文中，我们考虑了具有视觉观测的领域自适应模仿学习，其中目标领域中的一个代理通过观察源领域中的专家示范来学习执行任务。我们提出了一种新的框架，通过双重特征提取和图像重构从输入观测中提取领域无关的行为特征，以克服视觉观察中跨领域模仿学习 - 超分辨率通过 StyleGAN 规范化潜变量搜索：现实感 - 保真度权衡
通过扩展图像先验并利用潜在空间进行图像重建，本研究旨在实现超分辨率任务中的高保真度和真实感之间的良好平衡。
- 联合扩散：PET-MRI 协同重建的相互一致驱动扩散模型
该研究提出了一种新的 PET-MRI 联合重建模型，名为 MC-Diffusion，利用互补信息学习 PET 和 MRI 的联合概率分布，加速 MRI 并提高 PET 图像质量，实验证明 MC-Diffusion 在 ADNI 数据集上取得 - 利用公开可用的自然视频学习动态磁共振图像重建
开发和评估一种深度学习管道，从公开可用的自然视频（Inter4K）中学习动态 MR 图像重建。
- 掩码自编码器是强大的神经架构搜索学习者
提出了一种基于遮蔽自编码器的新型神经架构搜索（NAS）框架，该框架在搜索过程中不需要标记数据。通过用图像重构任务替代监督学习目标，我们的方法能够在不损害性能和泛化能力的情况下，有效地发现网络架构。此外，我们通过引入多尺度解码器来解决在无监督 - 基于共享特征提取与超先验熵压缩的语义图像传输中继系统
一种基于共享特征提取和超先验熵压缩的语义图像传输的中继通信网络，用于解决图像传输系统中的图像质量降低和传输中断的问题。实验结果表明，该系统具有更低的传输开销和更高的语义图像传输性能。
- 关于无需训练数据的图像重建不确定性的量化
计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不 - 从脑电图记录学习稳健的深度视觉表征
该研究使用脑电图 (EEG) 信号进行图像重建和分类，通过深度学习的特征提取方法在多个数据集上展示了其在大脑与计算机交互中的可广泛应用性，并提出了一种在 EEG 空间中转换未见图像并进行近似重建的新框架，显示出优于生成对抗网络现有性能的潜力 - 关于图像的隐藏波动
通过使用一组具有隐藏和可学习速度的单向波动方程的成功重建图像现象，我们引入了一个有趣的现象。每个单独的图像对应于具有唯一初始条件的解，可以使用视觉编码器（例如，卷积神经网络）从原始图像计算得到。此外，每个图像的解展现了两个值得注意的数学特性 - 映像逆问题不确定性量化的等变搴起方法
基于参数引导算法的等变形式，该方法可以使用任何图像重建技术来量化不确定性，同时能处理无真实数据情况下的图像重建，并在实验证明该方法在估计准确度、不确定性量化和计算时间方面优于现有方法。
- DIAR：基于 Swin Transformers 的深度图像对齐与重建
利用深度学习管道，同时对一系列畸变图像进行对齐和重构，并通过 Swin Transformer 模型分析顺序图像数据，通过注意力图检测相关图像内容并与离群值和伪影区分开来，利用神经特征图作为经典关键点检测器的替代方法，从而提供稠密图像描述符 - SAIR：学习语义感知的隐式表示
我们提出了一种语义感知的隐式表示方法（SAIR），其将每个像素的隐式表示分别依赖于其外观和语义信息（例如，像素属于哪个对象）。我们的实验证明，该方法在图像修复任务中超越了现有方法的显著优势。
- Forgedit：通过学习和遗忘进行文本指导的图像编辑
通过图像重建、文本嵌入以及使用 UNet 结构和扩散模型，我们设计了一种新的文本引导图像编辑方法 Forgedit，具有强大的编辑能力，并在具有挑战性的文本引导图像编辑基准测试 TEdBench 中超越了以往的方法 Imagic，实现了最新 - 浑浊介质中的事件驱动成像：光电子学和神经形态计算的融合
通过一种新的光学计算方法，使用神经形态计算方法以人脑视觉为灵感，从密集混浊介质中的散射光中重建图像，实现在浑浊条件下的图像复原。
- CMS 高粒度电磁量能器原型中的电子能量回归
我们介绍了一个新的公开可用的数据集，其中包含欧洲核子研究中心大型强子对撞机即将安装的新型量热计的模拟数据。通过使用最新的机器学习技术，我们已经构建了一个拥有 12,000 个通道的大型原型，并通过高能电子束的照射对其进行测试。通过释放这些数 - AmbientFlow: 从不完整、噪声测量中生成可逆模型
使用环境流（AmbientFlow）框架，通过变分贝叶斯方法，从噪声和不完整数据中直接学习基于流的生成模型，并通过大量数值研究证明了 AmbientFlow 在正确学习对象分布方面的有效性，并演示了 AmbientFlow 在图像重建的下游 - 通过知识蒸馏和潜在扩散模型从脑电图解码视觉大脑表示
本研究通过采用电脑脑波数据对 ImageNet 数据集中的图像进行分类和重建，提出了一种创新的方法。该研究不仅可以从神经活动中解码图像，还能仅利用脑电波数据生成图像的可靠重建，为个性化迅速反馈实验铺平了道路。
- 基于域条件先验引导的扩散模型用于加速磁共振成像和定量磁共振成像重建
基于扩散模型的图像重建方法用于多线圈磁共振成像和定量磁共振成像重建，利用扩散模型中的频率和参数域中的领域条件，利用先前的磁共振物理学作为扩散模型中的嵌入，通过引导训练和采样过程中的数据一致性来表征磁共振成像的 k - 空间编码，并利用 MR - 图像逆问题中的可导条件扩散对于离域自适应
我们介绍了一种名为可控条件扩散的新型采样框架，它将去噪扩散模型与可用的测量数据相结合，实现了对多样的成像模态下的离群任务的显著改进，推动了去噪扩散模型在实际应用中的鲁棒部署。
- 自监督单图像去卷积与连体神经网络
使用快速傅里叶变换卷积解决在图像重建中的反问题，并采用自监督无视点神经网络和深度学习方法改进了已有的图像重建方法。