圖像反問題的深度學習方法研究

本項目旨在研究融合知識驅動與數據驅動方法在圖像復原與重建反問題中的應用，解決傳統方法在不適定性、信息丟失、不確定性及魯棒性與實時性方面的局限。項目基於圖像反問題的數學模型，構建融合物理先驗與神經網絡表達能力的統一框架，並設計高效且可解釋的算法。

研究內容包括：融合物理先驗（如非局部均值、曲率正則化）與深度網絡結構，增強模型對復雜退化圖像的適應性與細節保留；引入自監督學習、不確定性量化與多尺度融合機制，提升模型的建模精度與泛化能力；基於即插即用（PnP）框架整合物理約束與數據驅動模塊，構建適用於醫學影像等任務的結構化重建方法。

項目預期構建新型圖像復原模型，解決傳統方法難以兼顧精度與魯棒性的難題，並在MRI/CT圖像重建與跨場景圖像處理中進行驗証。本項目將拓展圖像反問題的研究，推動成果在醫療診斷、工業檢測、智能視覺等領域落地，具有重要的科學意義與社會價值。