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。

本论文介绍了一种用于水下图像增强和检测任务的协作对抗鲁棒性网络（CARNet）。该网络通过引入可逆网络来隔离攻击，并结合同步训练策略和攻击模式判别器来提高鲁棒性。实验证明该方法在增强图像和检测方面优于最先进方法。

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。