本研究提出了一种新的双域多路径自监督扩散模型（DMSM），有效解决了MRI重建中的长采集时间和高计算成本问题。实验结果表明，DMSM在重建精度、效率和不确定性估计方面表现优异，提升了临床应用的可解释性。

本研究针对图像去噪在相机图像信号处理（ISP）管道中的重要性，提出了DualDn，一个新型的学习基础双域去噪方法。该方法通过两个去噪网络分别在原始域和sRGB域中进行处理，有效应对传感器特定噪声和ISP变动，显著提高了通用性和去噪性能，实验表明其效果优于现有的商业去噪解决方案。

本文介绍了一种基于卷积神经网络（CNN）的深度学习架构，用于去除X射线微CT图像中的环形伪影。研究表明，该方法在消除伪影方面优于传统技术，并提出了多阶段深度学习伪影去除方法，有效提高图像质量，减少伪影。

本文介绍了一种通过生成合成样本来训练深度神经网络的数据集精简方法，显著提高了计算效率和性能。研究提出了对比信号、特征匹配和概率图模型等技术，有效减少数据集大小，同时保持高性能，适用于大规模数据集和连续学习任务。

本文提出了一种多模态图像融合框架，解决了可见光图像与红外图像焦点区域不同的融合问题。通过分解图像为结构和纹理成分，并使用多尺度操作器对纹理成分进行融合，同时考虑能量信息的分布，实现了场景亮度的捕捉和对比度的维持。实验结果表明，该算法优于现有方法。