Neural Proto-Language Reconstruction
Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
本文通过数据增强恢复缺失词音变体、在Transformer中加入VAE结构进行原始语预测及使用神经机器翻译模型，有效提升了原始语形式重建任务的性能与训练稳定性。
2024-04-24 cs.CL cs.LG
ScoreHOI: Physically Plausible Reconstruction of Human-Object Interaction via Score-Guided Diffusion
Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Tsinghua University（清华大学）
ScoreHOI利用分数引导扩散模型，结合物理约束和接触驱动迭代细化，实现人体-物体交互的物理合理重建，在标准基准上超越现有方法。
2025-09-09 cs.CV
UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Peng Cheng Laboratory（鹏城实验室）；Lab for High Technology, Tsinghua University（清华大学高技术实验室）；BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
提出UW-SDF框架，利用混合几何先验优化神经SDF重建过程，并结合SAM实现少样本多视角目标分割，显著提升了水下多视角图像3D重建的质量和效率。
2024-10-10 cs.CV cs.RO
Ultra-Efficient Decoding for End-to-End Neural Compression and Reconstruction
Department of Electrical and Computer Engineering（电气与计算机工程系）
针对神经压缩中卷积解码器计算成本高的瓶颈问题，提出融合低秩表示与矢量量化自编码器的压缩重建框架，通过低秩操作高效解码，在保证图像高保真的同时大幅降低计算开销。
2025-10-03 cs.CV cs.LG
NAB: Neural Adaptive Binning for Sparse-View CT reconstruction
Center for Processing Speech and Images（语音与图像处理中心）；Department of ESAT KU Leuven（KU Leuven ESAT系）
NAB通过整合矩形先验提升稀疏视角CT重建精度，实现端到端优化与复杂几何泛化。
2026-03-02 cs.CV cs.LG
NeRS: Neural Reflectance Surfaces for Sparse-view 3D Reconstruction in the Wild
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
近年来，通过神经辐射场（NeRF）推广的探索几何和辐射的隐式表示的工作有了巨大的增长。这些作品基本上是基于一个（隐式）体积表示的占用，使他们能够模拟不同的场景结构，包括半透明的对象和大气遮蔽。但是，由于绝大多数真实世界的场景是由定义良好的表面，我们引入了一个表面模拟这样的隐式模型称为神经反射表面（NeRS）。NeRS学习一个封闭曲面的神经形状表示，该曲面与球体同构，保证了水密重建。更重要的是，表面参数化允许NeRS学习（神经）双向表面反射函数（BRDF），将视图相关外观分解为环境照明，漫射颜色（漫射）和镜面反射。“最后，我们不是在合成场景或实验室控制的捕获上说明我们的结果，而是从在线市场收集了一个新的多视图图像数据集，用于销售商品。这样的“野外”多视图图像集带来了许多挑战，包括具有未知/粗略相机估计的少量视图。我们证明了基于表面的神经重建能够从这些数据中学习，优于基于体积的神经渲染重建。我们希望NeRS作为构建可扩展的，高质量的真实世界形状，材料和照明库的第一步。包含代码和视频可视化的项目页面可以在https://jasonyzhang.com/ners上找到。
2021-10-18 cs.CV cs.LG
Lifted Regression/Reconstruction Networks
Chalmers University of Technology（查尔姆斯理工大学）
在这项工作中，我们提出了提升回归/重建网络（LRRN），它结合了提升神经网络与保证Lipschitz连续性的输出层。提升神经网络明确优化能量模型来推断单元激活，因此--与标准前馈神经网络相反--允许层之间的双向反馈。到目前为止，提升的神经网络都是围绕标准前馈架构建模的。我们建议通过让层同时执行回归和重建来进一步利用反馈特性。由此产生的提升网络架构允许控制所需的Lipschitz连续性，这是获得对抗性鲁棒回归和分类方法的重要特征。我们分析和数值演示应用程序的无监督和监督学习。
2020-05-07 cs.CV cs.LG
Spatially-Adaptive Reconstruction in Computed Tomography using Neural Networks
Technion - Israel Institute of Technology（以色列理工学院）
我们提出了一种监督机器学习方法，以提高现有的信号和图像恢复方法，并证明其有效性的例子，在计算机断层扫描图像重建。我们的技术是基于局部非线性融合的几个图像估计，所有通过应用一个选定的重建算法，其控制参数的不同值。通常，这样的输出图像具有不同的偏置/方差权衡。图像的融合是由一组已知的例子上训练的前馈神经网络。数值实验表明，相对于现有的直接和迭代重建方法的重建质量的改善。
2013-11-28 cs.CV cs.LG cs.NE
A Surface-normal Based Neural Framework for Colonoscopy Reconstruction
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
由于视频帧中的照明和反射率变化可能导致有缺陷的形状预测，因此从结肠镜检查视频重建3D表面具有挑战性。为了克服这一挑战，我们利用表面法向量的特点，开发了一个两步神经框架，显着提高结肠镜重建质量。用自监督法线一致性损失训练的基于法线的深度初始化网络向法线深度细化模块提供深度图初始化，法线深度细化模块利用照明和表面法线之间的关系递归地细化逐帧法线和深度预测。我们的框架的深度准确性表现的幻影结肠镜检查数据证明了利用表面法线在结肠镜重建的价值，特别是在正面的意见。由于其低深度误差，我们框架的预测结果将需要有限的后处理才能在临床上适用于实时结肠镜重建。
2023-03-13 cs.CV cs.LG
Multi-View Mesh Reconstruction with Neural Deferred Shading
Fraunhofer HHI（弗劳恩霍夫海因里希·赫兹研究所）；TU Berlin（柏林工业大学）；Queen Mary University of London（伦敦玛丽女王大学）；HU Berlin（柏林洪堡大学）
本文提出了一种基于分析合成的方法，用于任意材质和光照条件下不透明物体的快速多视点三维重建。现有技术的方法使用神经表面表示和神经渲染两者。虽然灵活，但神经表面表示是优化运行时的一个重要瓶颈。相反，我们将表面表示为三角形网格，并围绕三角形光栅化和神经着色构建可微分渲染管道。渲染器用于梯度下降优化，其中三角形网格和神经着色器两者被联合优化以再现多视图图像。我们在公共3D重建数据集上评估了我们的方法，并表明它可以匹配传统基线和神经方法的重建精度，同时在优化运行时超过它们。此外，我们研究了着色器，发现它可以学习可解释的外观表示，从而实现3D材质编辑等应用。
2022-12-08 cs.CV cs.GR cs.LG
Multiview Neural Surface Reconstruction by Disentangling Geometry and Appearance
Weizmann Institute of Science（魏茨曼科学研究所）
在这项工作中，我们解决了具有挑战性的问题，多视图三维表面重建。我们引入了一个神经网络架构，同时学习未知的几何形状，相机参数，和神经渲染器，近似从表面反射到相机的光。几何形状被表示为神经网络的零水平集，而从渲染方程导出的神经渲染器能够（隐式地）对广泛的照明条件和材料进行建模。我们在DTU MVS数据集上训练了具有不同材料属性，光照条件和噪声相机初始化的对象的真实世界2D图像。我们发现我们的模型可以产生具有高保真度，分辨率和细节的最先进的3D表面重建。
2020-10-25 cs.CV cs.GR cs.LG
Image compression optimized for 3D reconstruction by utilizing deep neural networks
Rafael Advanced Defense Systems LTD.（拉斐尔先进防御系统有限公司）；Technion - Israel Institute of Technology（以色列理工学院）
计算机视觉任务通常期望在压缩图像上执行。像JPEG 2000这样的经典图像压缩标准被广泛使用。然而，它们并没有考虑到手头的具体最终任务。受基于递归神经网络（RNN）的图像压缩和三维（3D）重建工作的启发，我们提出了统一的网络架构来共同解决这两个任务。这些关节模型提供针对3D重建的特定任务定制的图像压缩。我们提出的模型压缩的图像，产生三维重建性能优于使用JPEG 2000压缩。我们的模型显着扩展了3D重建可能的压缩率范围。我们还表明，这可以高效地完成，几乎没有额外的成本，以获得压缩的计算已经需要执行的3D重建任务。
2021-07-24 cs.CV cs.LG eess.IV
Neural Deformation Graphs for Globally-consistent Non-rigid Reconstruction
Technical University of Munich（慕尼黑工业大学）；Facebook Reality Labs（Facebook现实实验室）
我们介绍了神经变形图，用于全局一致的变形跟踪和非刚性物体的3D重建。具体而言，我们通过深度神经网络隐式地对变形图进行建模。这种神经变形图不依赖于任何特定于对象的结构，因此，可以应用于一般的非刚性变形跟踪。我们的方法在给定的深度相机对非刚性移动对象的观察序列上全局优化了这个神经图。基于显式视点一致性以及帧间图和表面一致性约束，底层网络以自监督的方式进行训练。此外，我们优化的几何形状的对象与隐式可变形的多MLP形状表示。我们的方法不假设连续的输入数据，从而使快速运动的鲁棒跟踪，甚至暂时断开记录。我们的实验表明，我们的神经变形图在定性和定量上都优于最先进的非刚性重建方法，重建性能提高了64%，变形跟踪性能提高了62%。
2020-12-02 cs.CV cs.GR cs.LG
Enhanced MRI Reconstruction Network using Neural Architecture Search
Rutgers University（罗格斯大学）；NVIDIA（英伟达）
使用现代深度学习技术精确重建欠采样的磁共振成像（MRI）数据，需要花费大量精力来设计必要的复杂神经网络架构。级联网络结构在MRI图像重建中得到了广泛的应用，但当网络变深时，存在梯度消失的问题。此外，同构结构降低了网络的表示能力。在这项工作中，我们提出了一个增强的MRI重建网络使用的残差基本块。对于基本块中的每个单元，我们使用可微神经结构搜索（NAS）技术来自动选择密集块的八个变体中的最佳操作。这种新的异构网络在两个公开的数据集上进行了评估，并优于所有当前最先进的方法，这证明了我们所提出的方法的有效性。
2020-08-19 cs.CV cs.LG eess.IV
Scale-Equivariant Unrolled Neural Networks for Data-Efficient Accelerated MRI Reconstruction
Stanford University（斯坦福大学）
展开的神经网络为加速磁共振成像（MRI）重建任务提供了最先进的重建性能和快速推理时间。然而，这些方法依赖于完全采样的扫描作为地面实况数据，这在许多临床医学成像应用中是昂贵的或不可能获取的;因此，期望减少对数据的依赖。在这项工作中，我们提出用尺度等变卷积神经网络对展开神经网络的近端算子进行建模，以提高数据效率和对图像尺度漂移的鲁棒性，这些漂移可能源于患者解剖结构的变化或不同MRI扫描仪的视场变化。我们的方法表现出强大的改进，在相同的内存约束下，在分布和分布范围外的缩放图像上都有和没有数据增强，而不会显着增加训练或推理时间的最先进的展开神经网络。
2022-04-21 cs.CV cs.LG eess.IV
Single-shot 3D shape reconstruction using deep convolutional neural networks
The Catholic University of America（美国天主教大学）；RvBust Ltd.（RvBust有限公司）；Jinan University（暨南大学）
本信提出了一种将条纹投影轮廓术（FPP）技术与深度卷积神经网络（CNN）相结合的鲁棒单次3D形状重建技术。所提出的技术的输入是一个单一的FPP图像，和训练和验证数据集准备通过使用传统的多频FPP技术。不同于传统的三维形状重建方法，涉及复杂的算法和密集的计算，所提出的方法使用一个端到端的网络架构，直接进行2D图像到其相应的3D形状的转换。实验证明了该方法的有效性和鲁棒性。它能够满足科学研究和工程应用中各种三维形状重建的需求。
2019-09-17 cs.CV cs.LG eess.IV
Improving The Reconstruction Quality by Overfitted Decoder Bias in Neural Image Compression
InterDigital, Inc.（交互数字公司）
端到端的可训练模型已经达到了视频和图像上传统手工压缩技术的性能。由于这些模型的参数是在大型训练集上学习的，因此它们对于任何给定的待压缩图像都不是最佳的。在本文中，我们提出了一个基于实例的微调解码器的偏置的一个子集，以提高重建质量，以换取额外的编码时间和较小的额外信令成本。所提出的方法适用于任何端到端压缩方法，通过$3-5\%$提高了最先进的神经图像压缩的BD率。
2022-10-10 cs.CV cs.LG eess.IV
NeuralSSD: A Neural Solver for Signed Distance Surface Reconstruction
针对现有隐式场参数化难以确保曲面与输入数据紧密拟合的问题，提出基于神经伽辽金法的NeuralSSD方法，通过新型能量方程和卷积网络提升曲面重建精度与泛化性，在ShapeNet等数据集上取得最优结果。
2025-11-18 cs.CV cs.GR cs.LG
Computationally Efficient Deep Neural Network for Computed Tomography Image Reconstruction
Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
基于深度神经网络的图像重建在欠采样和低剂量场景的医学成像中表现出了良好的性能。然而，它需要大量的内存和大量的训练时间。由于三维CT图像的高分辨率，对三维CT重建网络的训练具有很大的挑战性。这项工作的目的是减少CT重建网络训练的内存和时间消耗，使其适用于当前的硬件，同时保持重建图像的质量。我们将用于迭代图像重建的近端梯度下降算法展开为有限迭代，并将与惩罚函数相关的项替换为可训练卷积神经网络（CNN）。该网络在图像域中对图像块进行一次又一次的迭代训练，这需要在主流图形处理器（GPU）上合理的内存和时间。为了克服贪婪学习导致的局部最小值问题，我们使用深度UNet作为CNN，并将可分离的二次代理与有序子集结合起来以实现数据保真度，因此解决方案可以摆脱容易的局部最小值并实现更好的图像质量。所提出的方法实现了与最先进的神经网络的CT图像重建的2D稀疏视图和有限角度的问题上的低剂量CT挑战数据集的图像质量。
2019-05-24 cs.CV cs.LG stat.ML
Neural Harmonic Textures for High-Quality Primitive Based Neural Reconstruction
NVIDIA（英伟达）；Università della Svizzera italiana（瑞士意大利语区大学）
本文提出神经谐波纹理，通过虚拟框架锚定潜在特征向量，实现高效实时视图合成，融合原始体与神经场方法，提升高频细节建模能力。
2026-07-10 cs.AI cs.CV cs.GR
Interval Neural Networks as Instability Detectors for Image Reconstructions
Technical University of Berlin（柏林工业大学）；Fraunhofer HHI（弗劳恩霍夫海因里希·赫兹研究所）
这项工作研究了在利用深度学习模型进行图像重建任务时可能发生的不稳定性检测。尽管神经网络在经验上通常优于传统的重建方法，但它们在敏感医学应用中的使用仍然存在争议。事实上，在最近的一系列工作中，已经证明深度学习方法容易受到各种类型的不稳定性的影响，例如由对抗性噪声或分布外特征引起的。有人认为，这种现象可以观察到，无论潜在的架构，并没有简单的补救措施。基于这一认识，目前的工作在两个用例上演示了如何将不确定性量化方法用作不稳定性检测器。特别是，它表明，最近提出的区间神经网络是非常有效的，在揭示重建的不稳定性。这种能力对于确保安全使用基于深度学习的方法进行医学图像重建至关重要。
2020-03-27 cs.CV cs.LG eess.IV
Fourier Imager Network (FIN): A deep neural network for hologram reconstruction with superior external generalization
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；California Nano Systems Institute（加州纳米系统研究所）；David Geffen School of Medicine（大卫·格芬医学院）
基于深度学习的图像重建方法在相位恢复和全息成像方面取得了显著的成功。然而，将其图像重建性能推广到网络从未见过的新类型样本仍然是一个挑战。在这里，我们介绍了一个深度学习框架，称为傅立叶成像器网络（FIN），它可以从新型样本的原始全息图中执行端到端的相位恢复和图像重建，在外部泛化方面取得了前所未有的成功。FIN架构基于空间傅立叶变换模块，该模块使用可学习的滤波器和全局感受野处理其输入的空间频率。与现有的用于全息图重建的卷积深度神经网络相比，FIN对新类型的样本表现出更好的泛化能力，同时其图像推理速度也快得多，每1 mm^2样本面积约0.04 s即可完成全息图重建任务。我们通过使用人类肺组织样本进行训练并在人类前列腺，唾液腺组织和巴氏涂片样本上进行盲测试，实验验证了FIN的性能，证明了其优越的外部泛化能力和图像重建速度。除了全息显微术和定量相位成像，FIN和底层的神经网络架构可能会为在计算成像和机器视觉领域设计广泛通用的深度学习模型开辟各种新的机会。
2022-04-22 cs.CV cs.LG physics.optics
End-to-end multi-particle reconstruction in high occupancy imaging calorimeters with graph neural networks
Manchester Metropolitan University（曼彻斯特城市大学）；CERN（欧洲核子研究组织）；Florida State University（佛罗里达州立大学）；Massachusetts Institute of Technology（麻省理工学院）；Staffordshire University（斯塔福德郡大学）
我们提出了一个端到端的重建算法，以建立粒子候选人从下一代颗粒量热仪类似的CMS检测器的高光度升级预见的检测器命中。该算法利用了一个距离加权图神经网络，训练对象凝聚，图形分割技术。通过单次激发方法，重建任务与能量回归配对。我们描述的重建性能方面的效率，以及在能源分辨率。此外，我们展示了我们的方法的喷注重建性能，并讨论了其推理计算成本。据我们所知，这项工作是有史以来第一个例子的单次拍摄量热重建的${\cal O}(1000)$粒子在高光度条件下与200堆积。
2022-09-30 cs.CV cs.LG hep-ex
Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI Reconstruction
Stanford University（斯坦福大学）；Apple Inc.（苹果公司）；GE Healthcare（GE医疗）
许多真实世界的信号源是复值的，具有实部和虚部。然而，绝大多数现有的深度学习平台和网络架构都不支持使用复值数据。MRI数据本质上是复值的，因此现有方法丢弃了复数据的更丰富的代数结构。在这项工作中，我们研究了端到端复值卷积神经网络-特别是代替双通道实值网络的图像重建。我们将其应用于磁共振成像重建的目的，加速扫描时间，并确定各种有前途的复值激活函数的性能。我们发现，在各种网络架构和数据集上，与具有相同数量可训练参数的实值卷积相比，具有复值卷积的复值CNN提供了更好的重建。
2020-05-12 cs.CV cs.LG eess.IV
Towards Global Neural Network Abstractions with Locally-Exact Reconstruction
University of Manchester（曼彻斯特大学）；Federal University of Amazonas（亚马逊联邦大学）
本文提出了一种新颖的神经网络抽象技术GINNACER，通过中心精确重构在整个输入域上提供可靠的过近似界限，同时保证局部输入的精确重构，实验证明其性能显著优于现有全局抽象技术。
2023-03-31 cs.LG
MRI Image Reconstruction via Learning Optimization Using Neural ODEs
United Imaging Intelligence（联影智能）
我们建议制定MRI图像重建作为一个优化问题和模型的优化轨迹作为一个动态过程，使用常微分方程（ODE）。我们用神经网络对ODE中的动力学进行建模，并用现成的（固定的）求解器求解所需的ODE以获得重建图像。我们扩展了这个模型，并将现成的ODE求解器的知识融入到网络设计中（学习求解器）。我们调查了几个模型的基础上三个ODE求解器和固定求解器和学习求解器的模型进行比较。我们的模型实现了更好的重建结果，并且比其他流行的方法（如UNet和级联CNN）更具参数效率。我们介绍了一种新的方法来解决MRI重建问题的建模连续优化动态使用神经常微分方程。
2020-09-14 cs.LG eess.IV
SPECT Imaging Reconstruction Method Based on Deep Convolutional Neural Network
The Cyprus Institute（塞浦路斯研究所）
在本文中，我们探讨了一种新的方法，断层图像重建领域的SPECT成像。在新的重建方法中采用了深度学习方法，更具体地说是深度卷积神经网络（CNN），该方法被称为“CNN重建- CNNR”。为了训练CNNR，使用来自软件体模的投影数据。为了评价CNNR方法的有效性，使用了软件和硬件模型。将得到的断层图像与通过滤波反投影（FBP）[1]、“最大似然期望最大化”（MLEM）[1]和有序子集期望最大化（OSEM）[2]产生的断层图像进行比较。
2020-10-19 cs.LG physics.med-ph
Convex Regularization Behind Neural Reconstruction
Stanford University（斯坦福大学）
神经网络在反问题中显示出巨大的潜力，用于重建高分辨率图像。然而，神经网络的非凸和不透明性质阻碍了它们在诸如医学成像等敏感应用中的实用性。为了应对这一挑战，本文提出了一种凸对偶框架，使双层全卷积ReLU去噪网络适合凸优化。凸对偶网络不仅提供了凸解算器的最佳训练，而且便于解释训练和预测。特别是，它意味着训练神经网络与权重衰减正则化诱导路径稀疏，而预测是分段线性滤波。MNIST和fastMRI数据集的一系列实验证实了双重网络优化问题的有效性。
2020-12-09 cs.CV cs.LG eess.IV
A computationally efficient reconstruction algorithm for circular cone-beam computed tomography using shallow neural networks
Centrum voor Wiskunde en Informatica（数学与计算机科学中心）
圆锥束（CCB）计算机断层扫描（CT）已成为工业质量控制、材料科学和医学成像的一个组成部分。在短时间内采集和处理每次扫描的需求自然会导致速度和重建质量之间的权衡，从而需要能够从有限数据创建准确重建的快速重建算法。本文介绍了神经网络Feldkamp-Davis-Kress（NN-FDK）算法。该算法在FDK算法中加入了机器学习组件，以提高其重建精度，同时保持其计算效率。此外，NN-FDK算法被设计成使得它具有低训练数据要求并且快速训练。这确保了所提出的算法可用于提高高通量CT扫描设置中的图像质量，其中FDK目前用于使用现成的计算资源来跟上采集速度。我们将NN-FDK算法与两种标准CT重建算法和两种流行的深度神经网络进行了比较，这些深度神经网络经过训练可以从FDK重建的2D切片中去除重建伪影。我们表明，NN-FDK重建算法是大大加快计算重建比所有测试的替代方法，除了标准FDK算法，我们表明它可以计算准确的CCB CT重建的情况下，高噪声，低数量的投影角或大锥角。此外，我们还证明了NN-FDK网络的训练时间比所考虑的深度神经网络低几个数量级，重建精度仅略有降低。
2020-10-01 cs.LG eess.IV
Neural Network Training Strategy to Enhance Anomaly Detection Performance: A Perspective on Reconstruction Loss Amplification
SK Planet Co., Ltd.（SK Planet有限公司）
针对无监督异常检测模型泛化约束需求，提出重构损失放大方法LAMP，通过锐化损失景观增大异常重构误差，无需改动网络架构即可提升检测性能，且适配各类仅用正常样本训练的UAD场景重构指标。
2023-08-28 cs.AI cs.CV cs.LG
Dual Reconstruction: a Unifying Objective for Semi-Supervised Neural Machine Translation
University of Maryland（马里兰大学）；Amazon AI（亚马逊人工智能）
虽然迭代反向翻译和双重学习有效地将单语训练数据纳入神经机器翻译，但它们使用不同的目标和启发式梯度近似策略，并且没有进行广泛的比较。我们引入了一个新的双重重建目标，提供了一个统一的观点迭代回译和双重学习。它激发了一个理论分析和控制的实证研究，德国-英语和土耳其-英语的任务，这都表明，迭代回译是更有效的，尽管它相对简单的双重学习。
2020-10-07 cs.CL cs.LG
Invertible Surrogate Models: Joint surrogate modelling and reconstruction of Laser-Wakefield Acceleration by invertible neural networks
Helmholtz-Zentrum Dresden - Rossendorf（亥姆霍兹德累斯顿-罗森多夫研究中心）；CASUS - Center for Advanced Systems Understanding（先进系统理解中心）
可逆神经网络是机器学习中的一种新技术，有前途的神经网络架构可以在正向和反向模式下运行。在本文中，我们将介绍可逆代理模型，近似复杂的前向模拟的物理参与激光等离子体加速器：iLWFA。代理模型的双射设计还提供了用于重建实验获得的诊断的所有手段。我们的可逆激光尾流场加速网络的质量将在大量的数值LWFA模拟上得到验证。
2021-06-01 cs.LG physics.acc-ph physics.plasm-ph
Spectral functions in Minkowski quantum electrodynamics from neural reconstruction
King Juan Carlos University（国王胡安·卡洛斯大学）
研究闵可夫斯基量子电动力学中淬火彩虹QED戴森 - 施温格基准的神经重构，通过分离相关方程求解基准，自由输出的神经重构能重现结果，表明谱正性应作为诊断而非盲目约束。
2026-07-24 cs.LG hep-lat hep-ph
Uncertainty in Neural Relational Inference Trajectory Reconstruction
University of Cambridge（剑桥大学）
用于多交互轨迹重构的神经网络缺乏估计其输出中的不确定性的能力，这将有助于更好地分析和理解它们所建模的系统。在本文中，我们扩展了因子化神经关系推理模型输出的相空间向量的每个组成部分的平均值和标准差，这与一个适当的损失函数，可以考虑到不确定性。各种损失函数的研究，包括凸化和贝叶斯处理的问题的想法。我们表明，当考虑不确定性时，变量的物理意义是重要的，并证明了在训练过程中难以避免的病态局部极小值的存在。
2020-06-25 cs.LG stat.ML
Physics-informed neural networks for gravity currents reconstruction from limited data
LEMTA（莱姆塔实验室）；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Institut Universitaire de France (IUF)（法国大学研究院（IUF））
本研究探索用物理信息神经网络（PINNs）基于有限数据三维重构非定常重力流，结合锁交换构型高保真数值实验定量测试其重构能力，还提出了兼顾实现复杂度与精度的最优实验方案。
2023-06-14 cs.LG physics.flu-dyn
Flow Field Reconstruction via Voronoi-Enhanced Physics-Informed Neural Networks with End-to-End Sensor Placement Optimization
本文提出了一种结合Voronoi优化的物理信息神经网络，用于提升流场重建的精度和鲁棒性，通过端到端传感器布置优化实现高保真重建。
2026-03-10 cs.LG physics.flu-dyn
FastPET: Near Real-Time PET Reconstruction from Histo-Images Using a Neural Network
The University of Tennessee（田纳西大学）；Siemens Medical Solutions Inc.（西门子医疗解决方案公司）
使用深度神经网络直接重建正电子发射断层扫描（PET）数据是一个不断发展的研究领域。最初的结果是有希望的，但通常网络是复杂的，存储器利用效率低，产生相对小的2D图像切片（例如，128x128），而低计数率重建具有不同的质量。本文提出了FastPET，一种新型的直接重建卷积神经网络，结构简单，内存空间高效，适用于非平凡的3D图像体积，能够处理广泛的PET数据，包括低剂量和多示踪剂应用。FastPET唯一地对组织图像（即，图像空间）表示原始数据，使其能够重建3D图像体积比有序子集期望最大化（OSEM）快67倍。我们详细介绍了在全身和低剂量全身数据集上训练的FastPET方法，并从临床和体模研究中探索了重建图像的定性和定量方面。此外，我们探讨了FastPET在包含多种不同示踪剂的神经学数据集上的应用。结果表明，该方法不仅重建速度快，而且图像质量高，噪声低。
2020-06-15 cs.LG eess.IV physics.med-ph
Pairwise Learning to Rank by Neural Networks Revisited: Reconstruction, Theoretical Analysis and Practical Performance
Johannes Gutenberg-Universität Mainz（美因茨约翰内斯·古腾堡大学）；University of Birmingham（伯明翰大学）
我们提出了一个成对的学习排序方法的基础上的神经网络，称为DirectRanker，概括的RankNet架构。我们在数学上证明了我们的模型是自反的，反对称的，并且是传递的，允许简化训练和提高性能。在LETOR MSLR-WEB 10 K、MQ 2007和MQ 2008数据集上的实验结果表明，我们的模型优于许多最先进的方法，同时在结构上更简单，并且只使用成对方法。
2019-09-06 cs.IR cs.LG stat.ML
GraphNeT: Graph neural networks for neutrino telescope event reconstruction
Technical University of Munich（慕尼黑工业大学）；Niels Bohr Institute, University of Copenhagen（哥本哈根大学尼尔斯·玻尔研究所）
GraphNeT是一个开源Python框架，旨在提供高质量，用户友好，端到端的功能，使用图神经网络（GNN）在中微子望远镜上执行重建任务。GraphNetT使训练复杂模型变得快速而简单，这些模型可以为任意检测器配置提供具有最先进性能的事件重建，推理时间比传统重建技术快几个数量级。GraphNetT的GNN足够灵活，可以应用于所有中微子望远镜的数据，包括未来的项目，如IceCube扩展或P-ONE。这意味着基于GNN的重建可用于在中微子望远镜中的大多数重建任务中提供最先进的性能，实时事件率，跨实验和物理分析，对中微子和天体粒子物理学具有巨大的潜在影响。
2022-10-21 astro-ph.IM cs.LG hep-ex
Implicit neural representation with physics-informed neural networks for the reconstruction of the early part of room impulse responses
Politecnico di Milano（米兰理工大学）
本文提出基于物理信息神经网络的隐式神经表示方法，利用波动方程约束从有限观测点重建均匀线性阵列中缺失的房间脉冲响应早期部分，在真实测量上以轻量架构达到与前沿深度学习及压缩感知方法相当的性能。
2023-06-20 cs.LG cs.SD eess.AS
Spectral Reconstruction with Deep Neural Networks
Universität Heidelberg（海德堡大学）；ExtreMe Matter Institute EMMI, GSI（GSI极端物质研究所（EMMI））；University of Stavanger（斯塔万格大学）；Perimeter Institute for Theoretical Physics（圆周理论物理研究所）
我们探索人工神经网络作为一种工具，重建的光谱函数从虚时间格林函数，一个经典的病态逆问题。我们的anastomosis是基于一个监督的学习框架，先验知识编码在训练数据和逆变换流形是通过神经网络显式参数化。我们系统地研究了这种新的重建方法，提供了一个详细的分析其性能的物理动机的模拟数据，并比较它建立的方法贝叶斯推断。重建精度被发现是至少相当的，并可能优于特别是在较大的噪声水平。我们认为，在监督环境中使用标记的训练数据和定义优化目标的自由度是本方法的固有优势，并可能导致未来对最先进方法的显着改进。进一步研究的潜在方向进行了详细讨论。
2021-02-01 cs.LG hep-lat hep-ph
Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors
National Institute of Chemical Physics and Biophysics (NICPB)（国家化学物理与生物物理研究所）；European Center for Nuclear Research (CERN)（欧洲核子研究中心）；University of California San Diego（加利福尼亚大学圣迭戈分校）
针对高粒度探测器，提出可扩展神经网络（图神经网络与Transformer）实现粒子流重建，避免二次复杂度，最佳模型将喷注横动量分辨率提升达50%，且跨硬件可移植。
2024-07-16 cs.LG hep-ex physics.data-an
