本研究提出了一种名为HUPE的启发式可逆网络，旨在解决水下图像因光折射和吸收导致的可视性降低问题。HUPE通过可逆变换与傅里叶变换实现水下图像与清晰图像的双向映射，并引入语义协同学习模块，显著提升视觉质量和特征提取能力。实验结果表明，HUPE的增强效果优于现有方法。

该研究论文探索了前向梯度计算作为可替代的反向传播方法，以减少可逆网络中的内存占用。引入了一种基于矢量 - 逆雅可比积的新技术，加速前向梯度计算并保持真实梯度的保真度。该方法在网络深度的时间复杂度是线性的，计算时间可以显著降低，且不需要分配更多内存。通过与反向传播相结合，进一步加速了 Moonwalk，并在保持更小内存占用的同时达到与反向传播相当的时间复杂度。论文展示了该方法在多种架构选择下的稳健性。Moonwalk 是第一个在可逆网络中计算真实梯度的前向方法，其计算时间与反向传播相当，并且占用的内存显著较少。

DUAL-GLOW是一种新的框架，使用基于流的生成模型从MRI数据中生成PET图像。该框架依赖于两个可逆网络和一个关系网络，能够在小样本大小的情况下表现出色，并且支持可用的“side”信息。在ADNI数据集上进行实验，合成PET图像表现出色，从年龄方面控制的PET生成效果也很好。