- 一种局部平方 Wasserstein-2 方法用于具有不确定性的模型高效重建
本文提出了一种局部平方 Wasserstein-2 方法，用于解决具有不确定潜变量或参数的模型的逆问题。我们的方法的一个关键优势是不需要关于潜变量或参数分布的先验信息，在基于经验分布的观测数据的基础上可有效重建与不同输入相关的输出的分布。我 - 基于物理指导的编码器 - 求解器卷积神经网络的全波形反演
根据观测边界数据估计给定领域中的波速分布是全波形反演（FWI）的一个反问题。为了降低计算复杂度，我们整合了一个基于卷积神经网络（CNN）的编码器 - 求解器预处理器的学习过程，该编码器 - 求解器被训练成有效地对离散化的 Helmholtz - 随机算法与 PAC 界限在连续空间逆向强化学习中的应用
该研究探讨了具有连续状态和动作空间的离散时间贴现马尔可夫决策过程，并解决了从观察到的最优行为中推断成本函数的逆问题。研究首先考虑了完全掌握专家策略的情况，并通过使用职业度量、线性对偶和互补松弛条件来刻画逆问题的解集。为避免平凡解和不适当性， - 物理引导神经网络用于气源定位
基于空间分布浓度测量的气体源位置估计的新方法，使用物理引导型神经网络来近似气体分散，并将源位置作为额外的网络输入，避免昂贵的数值模拟，实验证明该方法能够准确定位气体源。
- 神经薛定谔桥匹配用于全色影像锐化
本研究提出了一种基于扩散概率模型和随机微分方程的倒问题方法，通过使用 Schrödinger bridge 匹配方法解决信息损失和采样效率问题，从而提高图像融合的性能。
- 双生子在旋转光谱学中：旋转谱能唯一鉴别一种分子吗？
摘要：通过旋转谱学的旋转谱线可准确确定气相分子的结构，并通过引入一个漏斗式方法搜索具有相似旋转谱线但分子结构截然不同的分子双胞胎，以解决旋转谱线与分子结构的反问题。结果表明，某些分子双胞胎可以通过提高理论方法的准确性或进行附加实验来区分。
- 通过影响区域的连续梁系统结构设计模型的机器学习
本研究开发了一个基于机器学习的结构设计模型，从逆问题的角度进行研究。通过明确前向、优化和逆向机器学习运算符之间的区别，提出了一种基于最近开发的影响区概念的新方法，相对于传统的结构设计方法，该方法代表了一种基本的转变方式。该方法的目标是构思一 - CVPR通过小波域损失训练生成式图像超分辨率模型，更好地控制伪影
通过使用小波域损失函数训练基于 GAN 的超分辨率模型，本文表明刻画高频细节和伪像之间的区别可以更好地学习，而 RGB 领域或傅立叶空间损失函数则没有这种效果。
- RBF-PINN：物理知情神经网络中的非傅里叶位置嵌入
基于物理约束的神经网络（PINNs）的研究中，我们发现来自更广泛的神经表示研究的特征映射往往被忽视，我们强调了在特定情况下经常使用的基于 Fourier 的特征映射的局限性，并建议使用条件正定的径向基函数，我们的实证发现证明了我们的方法在多 - 可微可视计算用于逆问题和机器学习
通过使用计算机图形学 （Computer Graphics, CG）技术，视觉计算（Visual Computing, VC）方法通过经过优化的算法综合了有关物理世界和虚拟世界的信息，用于分析几何结构、模拟物体、流体和其他媒体，并通过光学技 - 光学表面压花的物理增强多保真度学习
使用多保真度神经网络解决反问题，通过纹理映射实现将机械性能的光学图像转化为真实电容力曲线。
- DispersioNET: 利用卷积神经网络联合反演雷利波多模式相速度色散曲线
采用基于卷积神经网络（CNN）的深度学习模型 DispersioNET 进行雷利波相速散射曲线的联合反演，以预测与真实速度相匹配的剪切波（S 波）速度剖面。
- 过参数化自编码器训练数据的恢复：逆问题视角
我们研究了从超参数化自编码器模型中恢复训练数据的方法，通过将退化的训练样本定义为逆问题，并将其作为优化任务进行建模，我们使用训练好的自编码器隐式地定义特定训练数据集的正则化器，然后将复杂的优化任务转化为一个实用的方法，该方法迭代地应用训练好 - CommIN: 基于 INN 引导的扩散模型的逆问题的语义图像传输
在这项研究中，我们提出了 CommIN，它将从退化重构中恢复高质量源图像视为一个逆问题，并通过结合可逆神经网络（INN）和扩散模型来实现更好的感知质量。通过实验证明，在极端条件下，我们的 CommIN 在感知质量上显著提高，相比 DeepJ - 基于神经场的单视角折射率层析成像
逆问题中，我们试图从二维投影图像测量中重构场景的三维折射场，为此我们引入了一种使用基于坐标的神经网络对场景中的连续折射场进行建模的方法，并通过分析合成方法优化该网络的参数，以实现对折射场的重建。
- ICCVReFit: 三维人体恢复的循环拟合网络
ReFit 是一种用于单影像参数化 3D 人体重建的神经网络架构，通过优化的方式学习反馈更新循环，其在每个迭代步骤中使用循环式更新器调整模型以更好地适应图像，提高了标准基准测试的最新性能，并适用于其他优化设置，如多视图拟合和单视图形状拟合。
- 基于仿真的心血管模型推理
通过模拟、逆问题和统计推断方法，研究了心血管系统的仿真，估计心血管生理参数的不确定性，并发现新的临床生物标志物。同时，讨论了心血管模拟对实际数据分析的应用和局限。
- 物理建模的 UNets 用于发现异质材料中隐藏的弹性特性
本文提出了一种基于 UNet 的神经网络模型（El-UNet）用于推断机械参数和应力分布，相比于全连接物理信息神经网络，其精度更高且计算成本更低；并且提出了一种自适应空间权重的方法，用于求解三维反向弹性问题，有效性得到验证。
- 使用数据一致性的直接扩散桥在逆问题中的应用
本文介绍了直接扩散桥接算法，提出了数据一致性问题，然后提出了数据一致的直接扩散桥接算法（CDDB），并在感知和失真度量上超越了其不一致的对应方法，实现了超越最优性的帕累托前沿。
- 多目标优化的逆强化学习收敛证明
对于多目标优化问题，我们用射影次梯度方法展示了 Wasserstein 逆强化学习（WIRL）的收敛性，通过将优化问题的逆问题形式化为等价于多目标优化的 WIRL。此外，我们证明了逆强化学习（最大熵逆强化学习，引导成本学习）在使用射影次梯度