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。

计算机断层扫描（CT）中，通过一组投影图像计算物体内部结构的图像。近年来，深度学习方法在CT造影图像去伪影方面表现出良好结果。提出了一种多阶段深度学习伪影去除方法，实验证明该方法有效且优于基于深度学习的后处理方法。

研究者提出了一种名为CondTSC的新框架，通过匹配代理目标，在时间和频率领域结合多视角数据增强、双域训练和双代理目标，以增强时间序列分类数据压缩过程的效果。实验证明，CondTSC优于其他基线模型，能够学习到符合原始数据分布并表现出理想特性的压缩合成数据集。

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。