本研究提出了VTBench评估基准，针对自回归图像生成中离散视觉分词器（VT）性能不足的问题。研究表明，连续变分自编码器（VAE）在图像重建、细节保留和文本保留方面优于离散VT，强调了改进VT的重要性。

本研究提出了一种无监督的图像重建算法，旨在解决自由呼吸和未门控3D心脏MRI中的运动补偿问题。该算法通过低秩模型有效表示运动相位，显著提升了心脏MRI图像的恢复质量。

本研究提出了一种新颖的外部体积去除（OVR）方法，旨在解决实时动态MRI中因心脏外组织引起的混叠伪影问题。该方法结合复合时间图像和深度学习模型，显著提高了图像重建质量，并在加速率提高时保持了诊断质量。

本研究探讨了扩散自编码器在图像重建中的训练质量，提出了一种新的两阶段训练方法，首先提取结构信息，然后改善细节。实验结果表明，该方法能够生成高质量图像，准确恢复高层次结构和低层次细节。

本研究提出了一种名为FUSION的双域深度学习框架，旨在解决水下图像的颜色失真、可见性降低和结构细节丧失问题。FUSION结合了空间和频率域的信息，显著提高了图像重建的真实度和视觉质量，适用于实时水下成像。

本研究提出了一种新方法，从单幅图像中重建人-物交互(HOI)，并构建了开放词汇的3D HOI数据集Open3DHOI。关键在于高效的高斯HOI优化器，能够有效重建人和物之间的空间交互。

本研究提出了一种名为内卷与BSConv多深度蒸馏网络（IBMDN）的方法，旨在解决单幅图像超分辨率中的高分辨率图像重建问题。该方法结合内卷和BSConv，优化计算效率，并通过高频注意力块提升视觉质量。实验表明，该方法在保持高准确率的同时显著降低计算成本，适用于资源受限设备。

本研究提出了一种“解耦扩散”的序贯蒙特卡罗方法，旨在解决预训练生成扩散模型在处理线性-高斯贝叶斯逆问题时的不足。该方法在合成数据和图像重建任务中表现优异，具有高准确性和广泛适用性。

本研究提出了一种基于深度能量模型的三维多层扩散加权MRI切片轮廓补偿方法，有效解决了层边界伪影引起的强度波动和混叠问题。通过正则化切片轮廓编码和多尺度能量正则化，显著提升了图像重建质量，为高分辨率扩散MRI提供了更有效的解决方案。

腾讯推出的Hunyuan3D-1.0模型，通过多视角生成和稀疏视角重建技术，提高了3D生成的质量与效率。轻量版模型可在10秒内从单张图像生成3D图像，支持文本与图像转3D，具备出色的细节捕捉能力。

HAIFAI是一个新的人机协作系统，旨在重建人脑中的面孔视觉表现。用户通过对AI提供的图像进行排名，帮助系统提取特征并重建心理图像。研究表明，HAIFAI在重建质量和用户体验上优于现有技术，HAIFAI-X通过手动调节进一步提升了重建质量。

本研究提出了一种基于得分的生成模型(SGM)方法，用于在低计数条件下重建3D PET图像。该方法在真实全3D PET数据上表现出更低的方差，重建结果接近全计数重建效果。

本研究提出了一种名为测量优化（MO）的方法，旨在减少基于扩散模型的逆问题求解中的函数评估次数，从而显著提高效率，并在多个任务上实现最新性能，可能对图像重建等领域产生深远影响。

本研究提出了一种端到端的深度学习框架，解决动态MRI中因时间限制和生理运动导致的k空间数据欠采样问题。该框架集成了自适应动态k空间采样、图像重建和配准，显著提升了动态图像重建质量和变形场估计准确性，对心脏成像和放疗等临床应用具有重要影响。

本文介绍了多种基于深度学习的图像去噪和重建方法，特别是在MRI和CT图像处理中。提出的Noise2Inverse方法无需额外数据，显著降低噪声。研究探讨了自监督学习在重建中的应用，提出了新算法，提升了图像质量和重建性能，尤其在高加速情况下表现优异。

本研究提出了一种名为LoFi的局部处理框架，利用多层感知器进行图像重建中的局部信息处理。LoFi在性能上与卷积神经网络相当，且内存消耗低，适合小数据集，展现出广泛的应用潜力。