- XctDiff：从单个 X 射线投影图像中重建具有一致解剖结构的 CT 图像
本文提出了一种名为 XctDiff 的算法框架，用于从单个放射照片中重建 CT，该算法将重建过程分解为两个易于控制的任务：特征提取和 CT 重建。实验结果表明，我们提出的方法在重建性能方面达到了最先进水平，并克服了模糊问题。此外，我们还将 - RAQ-VAE：自适应速率矢量量化变分自编码器
Rate-Adaptive VQ-VAE improves the adaptability and performance of Vector Quantized Variational AutoEncoders with novel c - 传统转换理论指导的学习图像压缩模型
本文提出利用传统变换理论引导的超低比特率增强可逆编码网络，实验表明我们的编码器在压缩和重构性能方面优于现有方法。具体而言，我们引入块离散余弦变换来建模特征的稀疏性，并采用传统的 Haar 变换来提高模型的重构性能而不增加比特流成本。
- 合成时间序列数据真的不如真实数据好吗？
本文提出了 InfoBoost—— 一种高度灵活的跨领域数据合成框架，具有时间序列表示学习能力。我们开发了一种基于合成数据的方法，能够在无需真实数据的情况下进行模型训练，并超越了使用真实数据进行训练的模型性能。此外，我们训练了一个基于合成数 - 基于图神经网络的 TRIDENT 中微子重建
TRIDENT 是下一代位于南海的热带深海中微子望远镜，使用先进的混合数字光学模块（hDOMs），旨在发现多个天体物理中微子源并探索全味道中微子物理。本文基于图神经网络（GNN）提出了一种新颖的重建方法，并介绍了该方法在 TRIDENT 的 - 深度展开网络与空间对齐的多模态 MRI 重建
通过在多模态磁共振成像 (MRI) 的重建过程中适当嵌入空间对齐任务，利用深度展开网络来解决模态间不对齐的问题，本文提出了一种新颖的具有空间对齐能力的深度展开网络 (DUN-SA)，并通过终端到终端的训练，展示了优于现有方法的重建性能。
- 等变的即插即用图像重建
通过强制使去噪器对特定变换群（旋转、反射和 / 或平移）保持等变性，本研究展示了在插拔式算法中如何提高算法的稳定性和重建质量，并通过理论分析说明了等变性在性能和稳定性上的作用。我们提出了一种简单的算法，通过在算法的每次迭代中对去噪器的输入应 - 基于面部局部分割的三维人脸重建
本研究通过引入面部部分分割几何特征并利用 Part Re-projection Distance Loss (PRDL) 来优化点集的分布，从而在面部重建方面展现出最先进的性能。
- KV 翻转：文本依赖的真实图像动作编辑中的 KV 嵌入学习
文本条件图像编辑是一个新出现的高度实用的任务，其潜力是无法衡量的。然而，大多数现有方法无法进行动作编辑，即它们无法产生与编辑提示的动作语义相符合且保留原始图像内容的结果。为了解决动作编辑问题，我们提出了 KV Inversion 方法，它可 - CMISR：循环医学图像超分辨率
该研究提出了一种基于全局反馈的闭环超分辨率医学图像增强框架（circular MISR），在稳态下具有零恢复误差，并且在重建性能方面优于传统方法。
- Nest-DGIL: Nesterov 优化的深度几何增量学习用于 CS 图像重建
在这项研究中，我们提出了一种基于二阶 Nesterov 近端梯度优化的深度几何增量学习框架，该框架能够高效地解决图像逆问题并降低图像重建中的伪影。我们的重建方案包括线性重建、级联几何增量修复、Nesterov 加速和后处理四个模块，并通过与 - 多 IMU 在线自一致性用于手持式 3D 超声重建
该文介绍了使用多个惯性测量单元的在线自我一致性网络，以改善超声成像的三维重建性能。该网络在模态和序列级别上采用了自我监督策略，并在大规模数据集上得到了最先进的重建性能。
- SFT-KD-Recon：磁共振图像重建中以学生为导向的知识蒸馏教师的学习
深度级联体系结构、知识蒸馏、MRI 加速、SFT-KD-Recon 和重建性能。
- MM离散时间模拟传输下的语义通信：PAPR 视角
本文针对深度学习 (DL) 的基于联合源信道编码 (DeepJSCC) 的最新进展进行了研究，探讨了在图像传输中通过三种 PAPR 降低技术来抑制高峰均比功率 (PAPR) 的传输信号，实现亮点提取和传输。通过实验结果，证实了 DeepJS - Deep J-Sense: 通过展开交替优化来加速 MRI 重建
使用深度学习方法 Deep J-Sense 重建磁共振成像图像，同时优化磁场核和线圈灵敏度图，进一步提高成像效果和鲁棒性。
- 基于多核克里格卡尔曼滤波的图空时函数推断
本文介绍了一种基于核函数和克里格 - Kalman 滤波器的图信号重建方法，其结合多核心选择模块，来优化信号动态变化下的核函数选择和同时减少计算复杂度，实验结果表明，该方法在信号重建方面优于现有的最新算法。
- 利用深度卷积框架形成 U-Net：应用于稀疏视角 CT
本文旨在揭示 U-Net 的局限性并提出新的多分辨率深度学习方案，具体而言，我们通过实验表明，新的网络架构可以提供更好的重建性能，并且我们探讨了 U-Net 替代方案，如双框架和紧框架 U-Net 满足所谓的框条件，使其更好地实现高频边缘的 - 视频压缩感知的深度全连接网络
本文提出了一种基于深度学习的视频压缩感知框架，通过学习视频序列和测量帧之间的线性映射或深度全连接网络，获取了比以往方法更好的重建质量和速度，在多个视频序列上的广泛模拟中明确了该方法的优越性能，并对数据集规模和层数对重建性能的影响提出了未来研