Posterior temperature optimized Bayesian models for inverse problems in medical imaging
Hamburg University of Technology（汉堡工业大学）；Heidelberg University Hospital（海德堡大学医院）
我们提出了后温度优化贝叶斯逆模型（POTOBIM），一种无监督贝叶斯方法，在医学成像中使用平均场变分推理与完全回火后的逆问题。贝叶斯方法表现出有用的属性接近逆任务，如断层重建或图像去噪。一个合适的先验分布引入正则化，这是解决不适定问题和减少过拟合的数据所需要的。然而，在实践中，这往往会导致次优的后验温度，贝叶斯方法的全部潜力没有得到利用。在POTOBIM中，我们使用高斯过程回归的贝叶斯优化来优化先验分布和后验温度的参数。我们的方法是广泛评估四个不同的逆任务上的各种形式的图像从公共数据集，我们证明了优化后的温度优于非贝叶斯和贝叶斯方法没有温度优化。使用优化的先验分布和后验温度导致提高精度和不确定性估计，我们表明，它是足够的，找到这些超参数每个任务域。良好的后验产生校准的不确定性，这增加了预测的可靠性。我们的源代码可在github.com/Cardio-AI/mfvi-dip-mia上公开获取。
2022-02-02 cs.LG eess.IV
Self-supervised learning of inverse problem solvers in medical imaging
Technion（以色列理工学院）；University of Waterloo（滑铁卢大学）
在过去的几年里，基于深度学习的方法在解决医学成像中的逆问题方面取得了巨大的成功。在这项工作中，我们解决了以下问题：\textit{Given a set of measurements obtained from real imaging experiments, what is the best way to use a learnable model and the physics of the modality to solve the inverse problem and reconstruct the latent image?}标准的监督学习为基础的方法来解决这个问题，通过收集已知的潜像和它们相应的测量数据集。然而，由于缺乏适当大小的训练集的可用性，并且更一般地，由于测量“地面实况”潜像的固有困难，这些方法通常是不切实际的。鉴于此，我们提出了一种自监督的方法来训练医学成像中的逆模型，在对齐的数据的情况下。我们的方法只需要在训练时访问测量值和前向模型。我们展示了它的有效性，在加速磁共振成像（MRI）中出现的逆问题。
2019-05-22 cs.CV eess.IV eess.SP
Energy-based models for inverse imaging problems
本章全面概述了基于能量的模型在逆成像问题中的应用，提供了贝叶斯逆问题的严格理论基础，详细介绍了从数据中学习EBMs的技术与多种采样算法，并通过数值结果验证了其有效性。
2025-09-16 eess.IV
Equivariant Deep Equilibrium Models for Imaging Inverse Problems
本文提出等变深度均衡模型用于解决成像反问题，通过模块化回传播简化训练，并展示其在信号重建中的优越性能。
2025-11-24 cs.LG eess.IV eess.SP
Denoising: A Powerful Building-Block for Imaging, Inverse Problems, and Machine Learning
Google（谷歌公司）
本文针对去噪在噪声去除外应用未获充分认可的问题，通过梳理去噪器结构与特性，展示其作为成像、逆问题和机器学习复杂任务基础模块的价值，巩固其科学工程实践基石地位。
2024-12-03 cs.CV cs.LG eess.IV
Model Adaptation for Inverse Problems in Imaging
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Marquette University（马凯特大学）；University of Chicago（芝加哥大学）
深度神经网络已成功应用于计算成像中出现的各种逆问题。这些网络通常使用描述待反演的测量过程的前向模型进行训练，该模型通常直接并入网络本身。然而，这些方法对前向模型的变化很敏感：如果在测试时前向模型与网络训练的模型有差异（即使是轻微的），重建性能可能会大幅下降。给定一个经过训练的网络，用一个已知的正向模型来解决初始逆问题，我们提出了两个新的程序，使网络适应正向模型的变化，即使没有充分的知识的变化。我们的方法不需要访问更多的标记数据（即，地面实况图像）。我们证明了这些简单的模型自适应方法在各种逆问题中取得了经验上的成功，包括去模糊，超分辨率和磁共振成像中的欠采样图像重建。
2021-04-12 cs.CV eess.IV
On Solving SAR Imaging Inverse Problems Using Non-Convex Regularization with a Cauchy-based Penalty
合成孔径雷达（SAR）图像可以在许多应用中提供有用的信息，包括气候变化、环境监测、气象学、高维制图、船舶监测或行星探索。在本文中，我们调查的解决方案，在SAR成像中遇到的一些逆问题。我们提出了一个凸邻近分裂方法的优化代价函数，其中包括一个非凸柯西为基础的罚款。通过仔细选择前向-后向（FB）算法中的模型参数来确保总体代价函数优化的收敛。建议的惩罚函数的性能进行评估，通过解决三个标准的SAR成像逆问题，包括超分辨率，图像形成，降斑，以及船舶尾流检测海事应用。所提出的方法相比，采用经典的惩罚函数，如全变差（$TV$）和$L_1$规范，和广义极小极大凹（GMC）的罚款。我们表明，建议柯西为基础的罚函数导致更好的图像重建的结果相比，本文中的所有SAR成像逆问题的参考罚函数。
2020-06-03 eess.IV eess.SP
Millimeter Wave Inverse Pinhole Imaging
University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
本文提出Umbra系统，利用旋转毫米波逆针孔增强静态紧凑雷达的角分辨率，单天线实现2.5度分辨，较基线提升5倍。
2025-10-14 cs.NI eess.IV eess.SP
Stochastic Deep Restoration Priors for Imaging Inverse Problems
本文提出随机深度恢复先验（ShaRP），利用预训练恢复模型集合正则化成像逆问题，在 MRI 重建和超分辨率任务上无需重训练即超越去噪器与扩散模型方法。
2024-10-02 eess.IV
Adaptive Inverse Mapping: A Model-free Semi-supervised Learning Approach towards Robust Imaging through Dynamic Scattering Media
通过散射介质成像是一项有用但要求很高的任务，因为它涉及求解从散斑图像到物体图像的逆映射。当散射介质经历动态变化时，它变得更具挑战性。近年来提出了各种方法。然而，到目前为止，没有一个能够保持高图像质量，而不假设有限数量的源用于动态变化，假设薄散射介质，或需要访问介质的两端。在本文中，我们提出了一种自适应逆映射（AIP）的方法，这是灵活的任何动态变化，只需要输出散斑图像初始化后。我们表明，逆映射可以通过无监督学习校正，如果输出散斑图像密切关注。我们测试的AIP方法的两个数值模拟，即，制定为一个不断变化的传输矩阵和望远镜的动态散射系统与变化的随机相位掩模在散焦平面。然后，我们实验应用AIP方法的动态光纤成像系统。在所有三种情况下都观察到成像的鲁棒性增加。由于AIP方法的优良性能，我们看到了它在动态散射介质成像中的巨大潜力。
2021-08-18 eess.IV physics.optics
Deep unfolding as iterative regularization for imaging inverse problems
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
最近，通过迭代算法指导深度神经网络（DNN）设计的深度展开方法在逆问题领域受到越来越多的关注。与一般的端到端DNN不同，展开方法具有更好的可解释性和性能。然而，据我们所知，他们的精度和稳定性在解决反问题不能完全保证。为了弥补这一差距，我们修改了训练过程，并证明了展开方法是一种迭代正则化方法。更确切地说，我们通过输入凸神经网络（ICNN）联合学习凸罚函数来表征与真实数据流形的距离，并使用该学习的罚函数训练从最近端梯度下降算法展开的DNN。假设真实数据流形只与唯一的真实解相交。我们证明了展开的DNN将稳定地收敛到它。此外，我们证明了与MRI重建的一个例子，所提出的方法优于传统的展开方法和传统的正则化方法的重建质量，稳定性和收敛速度。
2022-11-24 cs.LG eess.IV math.OC
Equivariant Bootstrapping for Uncertainty Quantification in Imaging Inverse Problems
CNRS（法国国家科学研究中心）；ENS Lyon（里昂高等师范学院）；Heriot-Watt University（赫瑞瓦特大学）
本文提出一种基于等变参数自助法的不确定性量化方法，利用成像问题中的对称性，可适配任意重建技术，并在高维置信区域估计精度和计算效率上优于现有贝叶斯方法。
2023-10-20 cs.LG eess.IV eess.SP
DeepInverse: A Python package for solving imaging inverse problems with deep learning
该研究推出基于PyTorch的开源成像逆问题求解库DeepInverse，覆盖图像重建全流程关键步骤，同时介绍了库的核心功能与设计考量。
2025-06-17 eess.IV
Bi-level Guided Diffusion Models for Zero-Shot Medical Imaging Inverse Problems
School of Electrical Engineering and Computer Science（电气工程与计算机科学学院）；School of Mathematics and Physics（数学与物理学院）；University of Queensland（昆士兰大学）
本文提出BGDM零样本医学成像框架，通过内层条件后验均值近似与外层近端优化的双层引导增强测量一致性，在MRI和CT上更高效地生成高保真图像并减少伪影。
2024-04-04 cs.LG eess.IV
Zero-Shot Solving of Imaging Inverse Problems via Noise-Refined Likelihood Guided Diffusion Models
School of Mathematics and Statistics（数学与统计学学院）；Nanjing University of Science and Technology（南京理工大学）；School of Computer Science and Engineering（计算机科学与工程学院）
针对现有扩散模型处理成像逆问题泛化性不足的问题，提出似然引导噪声精炼的零样本框架，结合DDIM采样提升效率，在多类逆问题尤其5%采样率的压缩感知中实现更优重建。
2025-06-16 cs.CV eess.IV
Solving Imaging Inverse Problems Using Plug-and-Play Denoisers: Regularization and Optimization Perspectives
University of Cambridge（剑桥大学）；IIT Kharagpur（印度理工学院哈里科特分校）；University of Birmingham（伯明翰大学）
本文从正则化与优化视角综述即插即用（PnP）成像逆问题求解方法，梳理其算法原理、收敛理论与设计要点。
2025-11-18 cs.LG eess.IV math.OC
Inverse Design of Metasurface for Spectral Imaging
提出物理-数据协同驱动框架，利用可微分神经模拟器联合优化相变材料超表面几何与重建网络，实现短波红外压缩光谱成像，峰值信噪比提升高达7.6 dB。
2025-10-24 eess.IV
Deep Decomposition Learning for Inverse Imaging Problems
University of Edinburgh（爱丁堡大学）
深度学习正在成为解决逆成像问题的新范式。然而，由于在神经网络的训练和部署中缺乏对物理信息的考虑，深度学习方法往往缺乏传统基于物理的方法的保证。适当的监督和明确的校准的信息，可提高神经网络的学习和它的实际性能。在本文中，受几何学的启发，即数据可以由来自前向算子的零空间和其伪逆的范围空间的两个分量分解，我们训练神经网络来学习这两个分量，从而学习分解，即我们显式地将神经网络层重新表示为参考层输入的学习范围零空间分解函数，而不是学习未引用的函数。我们的经验表明，所提出的框架表现出优越的性能，最近的深度残差学习，展开学习和零空间学习的任务，包括压缩感知医学成像和自然图像超分辨率。我们的代码可在https://github.com/edongdongchen/DDN上获得。
2020-07-16 cs.CV eess.IV
Deep Equilibrium Learning of Explicit Regularizers for Imaging Inverse Problems
最近人们对使用深度学习正则化成像逆问题产生了浓厚的兴趣。该领域的大部分工作都集中在为图像重建预先训练的卷积神经网络（CNN）隐含地施加的正则化。在这项工作中，我们遵循另一种基于学习显式正则化泛函的工作路线，以促进首选解决方案。我们开发了显式学习深度均衡正则化器（ELDER）方法，用于学习显式正则化器，使均方误差（MSE）度量最小化。ELDER基于由CNN参数化的正则化泛函和深度平衡学习（DEQ）方法，用于训练泛函在重建算法的固定点处是MSE最优的。显式正则化使ELDER能够直接继承优化理论的基本收敛结果。另一方面，DEQ训练使ELDER能够在训练期间改进现有的显式正则化器，而不会有过高的记忆复杂性。我们使用ELDER训练几种方法参数化显式正则化和测试他们的表现在三个不同的成像逆问题。我们的研究结果表明，与现有方法相比，ELDER可以大大提高显式正则化的质量，并表明学习显式正则化不会影响基于隐式正则化的方法的性能。
2023-03-09 eess.IV
A Review of Convolutional Neural Networks for Inverse Problems in Imaging
EPFL（洛桑联邦理工学院）
在这篇综述论文中，我们回顾了最近使用卷积神经网络（CNN）来解决成像中的逆问题。最近，在大型图像数据库上训练深度CNN已经变得可行，并且它们在对象分类和分割任务上表现出出色的性能。在这些成功的推动下，研究人员已经开始将CNN应用于逆问题的解决，如去噪，去卷积，超分辨率和医学图像重建，并且他们已经开始报告对最先进方法的改进，包括基于稀疏性的技术，如压缩感知。在这里，我们回顾了最近在这些领域的实验工作，重点是关键的设计决策：训练数据来自哪里？CNN的架构是什么？学习问题是如何形成和解决的？我们还汇集了一些关键的理论论文，这些论文提供了关于为什么CNN适合逆问题的观点，并指出了该领域的一些后续步骤。
2017-10-11 cs.CV eess.IV
Efficient Algorithms for Convolutional Inverse Problems in Multidimensional Imaging
多维成像，即在多于两个维度上捕获图像数据，已经成为具有多种应用的新兴领域。由于二维检测器在获得高维图像数据方面的限制，已经开发了计算成像方法以将一些负担传递给重建算法。在多维成像中的各种图像重建问题中，测量是叠加卷积的形式。在本文中，我们介绍了一个通用的框架，这些问题的解决方案，这里称为卷积逆问题，并开发快速图像重建算法的分析和合成的先验。这些包括稀疏化变换，以及卷积或基于补丁的字典，可以适应不同维度的相关性。由此产生的优化问题，通过交替方向方法的乘法器与封闭形式，高效，可并行化的更新步骤。为了说明它们的实用性和多功能性，开发的算法被应用到三维图像重建的问题，在计算光谱成像的情况下，有或没有相关性沿第三维。随着多维成像模式的出现扩展到执行复杂的任务，这些算法是必不可少的快速迭代重建在各种大规模的问题。
2020-06-15 eess.IV eess.SP physics.optics
Principled Probabilistic Imaging using Diffusion Models as Plug-and-Play Priors
Johns Hopkins University（约翰斯·霍普金斯大学）；New York University（纽约大学）
提出一种基于扩散模型作为即插即用先验的马尔可夫链蒙特卡洛算法，通过将逆问题后验采样简化为高斯去噪后验采样，实现无需近似的高质量成像重建，并在六个逆问题（含黑洞成像）上验证了其优越性。
2024-11-07 cs.CV eess.IV stat.ML
Deep Equilibrium Architectures for Inverse Problems in Imaging
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Marquette University（马凯特大学）；University of Chicago（芝加哥大学）
最近通过深度神经网络解决成像中的逆问题的努力使用了受优化方法的固定迭代次数启发的架构。迭代次数通常很小，因为训练网络时很难对应更多的迭代;在测试时，生成的求解器不能在不产生重大错误的情况下运行更多的迭代。本文描述了一种替代方法对应于无限次迭代，产生一致的改进以上的国家的最先进的替代方案，重建精度和计算预算可以选择在测试时，以优化上下文相关的准确性和计算之间的权衡。所提出的方法利用了深度均衡模型的思想，其中构建了固定点迭代，以结合已知的正向模型和基于经典优化的重建方法的见解。
2021-06-03 cs.CV eess.IV
Imaging Interiors: An Implicit Solution to Electromagnetic Inverse Scattering Problems
Hong Kong Baptist University（香港浸会大学）；Peking University（北京大学）；City University of Hong Kong（香港城市大学）
针对电磁逆散射问题中反演与离散化的挑战，提出基于连续隐式表征的求解方法，在正向框架内优化以规避逆估计问题、解决离散化低分辨率问题，性能优于现有方法。
2024-07-12 cs.CV eess.IV
Guided Deep Generative Model-based Spatial Regularization for Multiband Imaging Inverse Problems
Northwestern Polytechnical University（西北工业大学）；University of Toulouse（图卢兹大学）；IRIT/INPENSEEIHT（图卢兹计算机研究所/国立图卢兹应用科学学院国立高等电力技术、电子学、计算机、水力学与电信学院）；CNRS（法国国家科学研究中心）；Institut Universitaire de France (IUF)（法国大学研究院）
本文提出一种通用框架，利用高空间分辨率辅助图像和深度生成网络提取空间语义特征，构建数据驱动的空间正则化，用于解决多波段图像融合与修复等逆问题，效果优于传统方法。
2023-06-29 cs.LG eess.IV
Whitened Score Diffusion: A Structured Prior for Imaging Inverse Problems
Boston University（波士顿大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对传统分数扩散模型处理各向异性高斯扩散时需协方差求逆的问题，提出白化分数扩散模型，规避求逆实现稳定训练，在多成像任务上性能优于传统扩散先验，代码已开源。
2025-11-15 eess.IV eess.SP stat.AP
Multipath Exploitation in Highly Reflective Environments for Enhanced Microwave Imaging via Inverse Source Reconstruction
Technical University of Munich（慕尼黑工业大学）；Tongji University（同济大学）
该研究针对高反射环境下微波成像受多径影响且分辨率受孔径限制的问题，提出基于镜像理论的逆源重建方法，通过分离原始与镜像源并相干组合实现孔径扩展，提升分辨率并减轻伪影，经仿真验证有效。
2026-05-05 eess.IV
End-to-End Nanophotonic Inverse Design for Imaging and Polarimetry
通过共同设计一个元光学前端结合图像处理后端，我们证明了噪声灵敏度和紧凑性大大优于光学或计算的方法，说明了两个例子：亚波长成像和重建的多个光源的全偏振相干矩阵。我们的端到端逆设计耦合的完整麦克斯韦方程组的解决方案-利用在亚波长散射体中产生的波物理的所有方面-与逆散射算法在一个单一的大规模优化涉及$\gtrsim 10^4$自由度。所得到的结构散射光的方式，是从根本上不同于传统的透镜或随机的微结构，并抑制噪声灵敏度的逆散射计算的几个数量级。全波物理的解释对于探测被几何光学和标量衍射理论丢弃的光谱和偏振信息尤其重要。
2020-10-10 eess.IV physics.app-ph physics.comp-ph
Phase-Corrected Near-Field Microwave Imaging via Inverse Source Reconstruction with Modulated Signals
Technical University of Munich（慕尼黑工业大学）
该研究提出基于逆源重建的三维近场无源雷达微波成像方法，通过调制信号与相位校正技术，在办公室环境中成功获取人体模型图像，验证了方案有效性。
2026-05-05 eess.IV
Equivariant Test-Time Training with Operator Sketching for Imaging Inverse Problems
School of Mathematics, University of Birmingham（伯明翰大学数学学院）
本文提出基于运算子草图的等变测试时间训练方法，用于加速深度内部学习框架，通过优化归一化层实现高效网络适应，显著提升高维应用中的计算效率。
2025-12-11 cs.CV cs.LG eess.IV
Adversarially learned iterative reconstruction for imaging inverse problems
University of Cambridge（剑桥大学）；KTH – Royal Institute of Technology（瑞典皇家理工学院）
在许多实际应用中，特别是在医学图像重建中，通常不可能获得用于监督学习的大量地面实况/测量对。因此，开发与监督方法在性能上具有竞争力的无监督学习协议势在必行。受最大似然原理的启发，我们提出了一个求解不适定逆问题的无监督学习框架。所提出的方法不是在重建图像和地面实况图像之间寻求像素接近度，而是学习迭代重建网络，其输出在分布上与地面实况相匹配。考虑到层析重建作为一个应用程序，我们证明了所提出的无监督的方法不仅执行与其监督的变体在客观的质量措施，但也成功地规避了问题的过度平滑，监督的方法往往遭受。重建质量的提高是以更高的训练复杂度为代价的，但是，一旦训练完成，重建时间就与其监督的对应时间相同。
2021-03-30 cs.CV cs.LG eess.IV
Diffusion model for gradient preconditioning in hyperspectral imaging inverse problems
针对高光谱成像有限测量下梯度噪声大的问题，提出用去噪扩散模型在梯度空间学习逆过程以预条件优化，提升了激进采样下的恢复精度与稳定性。
2025-07-30 eess.IV
OFDM-Based ISAC Imaging of Extended Targets via Inverse Virtual Aperture Processing
Dept. of Electrical, Electronic, and Inf. Eng. “Guglielmo Marconi,” University of Bologna（博洛尼亚大学吉列尔莫·马可尼电气、电子与信息工程学院）；CNIT/WiLab, Italy（意大利国家信息技术研究中心/WiLab）
本文提出一种基于OFDM的ISAC系统，利用逆虚拟孔径技术对移动车辆目标进行成像，通过优化子载波分配平衡感知精度与通信效率。
2026-01-23 eess.IV eess.SP
Convex Latent-Optimized Adversarial Regularizers for Imaging Inverse Problems
Inner Mongolia University（内蒙古大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
本文提出凸潜在优化对抗正则化器（CLEAR），通过对抗训练输入凸神经网络作为凸正则化器，融合深度学习与变分正则化，在保证收敛性和唯一解的同时提升 MRI 重建的质量与鲁棒性。
2023-09-17 cs.CV eess.IV
Overcoming Measurement Inconsistency in Deep Learning for Linear Inverse Problems: Applications in Medical Imaging
Institute of Sensors, Signals；Systems, \,Heriot-Watt University,\, Edinburgh,\, UK
深度神经网络（DNN）的卓越性能使其成为解决线性逆问题的首选方法。它们已被应用于超分辨率和恢复图像，以及重建MR和CT图像。在这些应用中，DNN通过训练数据找到测量值和输入图像之间的映射来反转前向算子。然后，预计该映射对于测试数据仍然有效。然而，这种框架在测试过程中引入了测量不一致性。我们发现，这种不一致，这可能是关键的领域，如医学成像或国防，是密切相关的泛化错误。然后，我们提出了一个框架，后处理DNN的输出与优化算法，强制执行测量的一致性。MR图像上的实验表明，通过我们的方法，加强测量的一致性可以导致重建性能的大幅度提高。
2021-05-31 cs.CV eess.IV eess.SP
CoIL: Coordinate-based Internal Learning for Imaging Inverse Problems
我们提出了基于坐标的内部学习（CoIL）作为一种新的深度学习（DL）方法，用于测量的连续表示。与学习从测量到所需图像的映射的传统DL方法不同，CoIL训练多层感知器（MLP）通过将测量的坐标映射到其响应来编码完整的测量场。CoIL是一种自监督方法，除了测试对象本身的测量之外，不需要训练示例。一旦训练了MLP，CoIL就会生成新的测量值，这些测量值可以在大多数图像重建方法中使用。我们使用几种广泛使用的重建方法，包括纯粹基于模型的方法和基于DL的方法，在稀疏视图计算机断层扫描上验证CoIL。我们的研究结果表明，线圈的能力，不断提高所有考虑的方法，通过提供高保真度的测量领域的性能。
2021-02-09 eess.IV
On the Solution of Linearized Inverse Scattering Problems in Near-Field Microwave Imaging by Operator Inversion and Matched Filtering
本工作提出基于Weyl恒等式与分层加速算法显式求逆正向散射算子，解决近场微波成像线性化逆散射问题，并证明其相比伴随匹配滤波算法在鲁棒性、聚焦与图像精度上更优。
2024-12-20 eess.IV
Learning phase diversity for solving ill-posed inverse problems in imaging
Indian Institute of Technology Delhi（印度德里理工学院）
针对成像逆问题的不适定性，本研究提出物理驱动的相位分集数据增强方案，无需额外硬件即可生成伪数据辅助重建，在相干与非相干成像场景下验证了方法有效性。
2025-11-13 eess.IV physics.optics
FISTA-Net: Learning A Fast Iterative Shrinkage Thresholding Network for Inverse Problems in Imaging
反问题是成像应用中必不可少的问题。在本文中，我们提出了一个基于模型的深度学习网络，命名为FISTA-Net，结合了基于模型的快速迭代收缩/保持算法（FISTA）的可解释性和通用性的优点以及数据驱动神经网络的强正则化和免调优优势。通过将FISTA展开为深度网络，FISTA-Net的架构由多个梯度下降，邻近映射和动量模块级联组成。与FISTA不同的是，FISTA-Net中的梯度矩阵可以在迭代过程中更新，并且开发了一个可以通过端到端训练来学习的非线性阈值的邻近算子网络。FISTA-Net的关键参数，包括梯度步长，阈值和动量标量是免调的，并且是从训练数据中学习的，而不是手工制作的。我们进一步对这些参数施加正的和单调的约束，以确保它们正确收敛。视觉和定量评估的实验结果表明，FISTA-Net可以优化不同成像任务的参数，即电磁层析成像（EMT）和X射线计算层析成像（X射线CT）。它优于最先进的基于模型的方法和深度学习方法，并在不同的噪声水平下表现出良好的泛化能力。
2021-01-25 eess.IV physics.app-ph
Revisit to the Inverse Exponential Radon Transform
Cubic Imaging LLC（立方成像有限责任公司）
本文回顾了近三十年来从数学和医学应用（如核医学发射成像）两个方面研究的逆指数Radon变换的分析方法。经典反演公式的推导是通过最近的论点发展的逆衰减拉冬变换。该推导允许指数参数是复常数，这对于诸如磁共振成像和张量场成像的其他应用是有用的。该调查还包括使用有限希尔伯特变换来处理180度数据的精确重建的新技术。对两个实际上重要的问题给予了特别处理。一种是由半扫描和截断扫描等部分测量数据精确重建，另一种是由发散光束数据重建。在重建中的噪声传播涉及更多的启发式讨论，而不是数学推理。给出了几种经典重建算法的数值实现。最后，对今后的研究方向进行了展望.
2020-02-05 cs.IT cs.LG cs.NA
Cycle Consistency-based Uncertainty Quantification of Neural Networks in Inverse Imaging Problems
University of California, Los Angeles（加州大学洛杉矶分校）；California NanoSystems Institute (CNSI), University of California, Los Angeles（加州大学洛杉矶分校加州纳米系统研究所）；David Geffen School of Medicine, University of California Los Angeles（加州大学洛杉矶分校大卫·格芬医学院）
该研究针对逆成像问题中的神经网络，提出基于循环一致性的不确定性量化方法，通过正反向循环的回归分析推导估计量，理论分析其与推理不确定性等的关系，实验验证其在识别数据损坏和分布偏移上表现更优，方法易实现且适用广泛。
2023-05-22 cs.CV cs.LG eess.IV
Tuning-free Plug-and-Play Proximal Algorithm for Inverse Imaging Problems
Beijing Institute of Technology（北京理工大学）；University of Cambridge（剑桥大学）
即插即用（Plug-and-Play，PADM）是一种非凸框架，它将ADMM或其他近似算法与高级去噪先验相结合。最近，Penguin取得了巨大的经验成功，特别是在集成了基于深度学习的去噪器之后。然而，基于PADER的方法的一个关键问题是它们需要手动参数调整。有必要在成像条件和变化的场景内容方面的高差异上获得高质量的结果。在这项工作中，我们提出了一个免调谐的Pestrian邻近算法，它可以自动确定内部参数，包括惩罚参数，去噪强度和终端时间。我们方法的一个关键部分是开发一个用于自动搜索参数的策略网络，可以通过混合无模型和基于模型的深度强化学习来有效地学习。我们通过数值和视觉实验证明，学习的策略可以为不同的状态定制不同的参数，并且通常比现有的手工标准更高效和有效。此外，我们讨论了实际的考虑，堵塞的降噪，这与我们学到的政策产生国家的最先进的结果。这是普遍的线性和非线性的示例性逆成像问题，特别是，我们展示了有前途的结果压缩感知MRI和相位恢复。
2020-11-18 cs.CV eess.IV
DIPA: Distilled Preconditioned Algorithms for Solving Imaging Inverse Problems
Department of Computer Science, Universidad Industrial de Santander（圣安德烈斯工业大学计算机科学系）；Department of Electrical Engineering, Universidad Industrial de Santander（圣安德烈斯工业大学电气工程系）
本文提出DIPA算法，通过教师指导蒸馏改进重建质量，结合线性与非线性预条件运算符，验证了其在磁共振成像、压缩感知和超分辨率成像中的有效性。
2026-05-14 cs.CV eess.IV math.OC
Analysis Plug-and-Play Methods for Imaging Inverse Problems
Washington University in St. Louis（华盛顿大学圣路易斯分校）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
本文提出分析即插即用方法，将去噪先验从图像域迁移至梯度域，并基于HQS和ADMM设计两种重建算法，在去模糊和超分辨率上取得与图像域PnP相当的性能。
2025-09-18 cs.CV eess.IV
Inverse scattering for reflection intensity phase microscopy
反射相位成像提供生物样品的无标记、高分辨率表征，通常使用基于干涉的技术。在这里，我们调查反射相位显微镜强度只测量不同的照明下。我们评估的前向和反向散射模型的基础上的第一玻恩近似的玻璃载玻片上的散射物体成像。在这种设计下，测量场结合了来自物体的线性前向散射和高度相关的非线性后向散射，这使得物体相位恢复复杂化。仅使用前向散射，我们推导出一个线性逆散射模型，并评估该模型的有效性范围内的模拟和实验使用标准的反射显微镜修改与可编程光源。我们的方法提供了增强的对比度薄，弱散射的样品，补充传输技术。该模型提供了一个很有前途的发展，建立简化的基于强度的反射定量相位成像系统，易于采用的生物研究。
2019-12-16 eess.IV physics.comp-ph physics.optics
Inverse Problem Approach to Aberration Correction for in vivo Transcranial Imaging Based on a Sparse Representation of Contrast-enhanced Ultrasound Data
Polytechnique Montréal（蒙特利尔高等理工学院）；Université de Montréal（蒙特利尔大学）；Montreal Heart Institute（蒙特利尔心脏研究所）
针对经颅超声成像受颅骨像差限制的问题，提出像差校正反问题方法IPAC，利用微泡信号稀疏性构建正向模型并采用最小二乘反演校正像差，显著提升了CEUS和ULM图像的对比度与分辨率。
2025-03-26 eess.IV physics.med-ph
TFPnP: Tuning-free Plug-and-Play Proximal Algorithm with Applications to Inverse Imaging Problems
Beijing Institute of Technology（北京理工大学）；University of Cambridge（剑桥大学）；Shanghai Jiao Tong University（上海交通大学）；Beijing Normal University（北京师范大学）
即插即用（Plug-and-Play，PADM）是一种非凸优化框架，它结合了近似算法，例如交替方向乘法器（ADMM）和先进的去噪先验。在过去的几年里，PSTK算法取得了巨大的经验成功，特别是对于那些集成了基于深度学习的去噪器的算法。然而，PNDT方法的一个关键挑战是需要手动参数调整，因为在成像条件和变化的场景内容的高度差异中获得高质量的结果是必不可少的。在这项工作中，我们提出了一类无调谐的Pestrian邻近算法，可以自动确定参数，如去噪强度，终止时间和其他优化特定的参数。我们方法的核心部分是用于自动参数搜索的策略网络，可以通过无模型和基于模型的深度强化学习策略的混合来有效地学习。我们证明，通过严格的数值和视觉实验，学习的政策可以自定义参数不同的设置，往往是更有效和更有效的比现有的手工制作的标准。此外，我们还讨论了几个实际的考虑，我们学到的政策一起产生国家的最先进的结果。这种先进的性能是普遍的线性和非线性范例逆成像问题，特别是压缩感知MRI，稀疏视图CT，单光子成像和相位恢复显示有前途的结果。
2021-09-18 cs.CV eess.IV
FOSSA: First-Order Optimality-Based Sensor Selection for PINN Inverse Problems, with Application to Electrocardiographic Imaging
University of Virginia, School of Data Science（弗吉尼亚大学数据科学学院）
本文提出FOSSA算法，通过一阶最优性条件评估传感器重要性，用于PINN反问题，揭示并非所有传感器都提升预测性能，为物理引导反演建模提供可扩展的传感器部署路径。
2026-04-08 eess.IV eess.SP
