本研究提出了一种新的期望最大化重建变换器（EMResformer），用于去除单幅图像中的雨 streak。通过引入局部模型残差块，该方法有效提取图像细节，提升去雨效果和图像重构质量，从而提高视觉测量系统的准确性和可靠性。

本文探讨了卷积神经网络（CNN）在JPEG压缩图像去噪中的应用，提出了新型网络架构和训练方法，显著提升了图像重构质量和去噪性能。研究表明，特定质量因子的训练网络在多种质量范围内表现优异，有效降低了压缩伪影，增强了图像识别能力。

该研究提出了一种基于分数梯度模型的图像重构方法，旨在加速MRI成像。通过逆扩散过程和递归评分估计，解决了高梯度复杂度问题，显著提高了采样速度。同时，研究探讨了扩散模型的收敛性，提出了新的快速收敛理论和无训练加速算法，优化了计算效率，具有重要的理论和实用价值。

本研究提出了多种新型网络结构以提升单张图像超分辨率性能，包括整体注意力网络（HAN）、轻量级卷积神经网络、混合Transformer和CNN注意网络等。这些模型通过引入不同的注意力机制和模块，在图像重构中表现优异，超越了现有方法，具有更高的效率和更好的视觉效果。

本文介绍了一种名为 Restoration Transformer 的新型 Transformers 模型，能够有效处理图像去噪、去模糊和降雨等任务。该模型通过设计不可训练的滤波器和使用平稳激活函数，显著提升了图像分类和识别性能。同时，研究探讨了混叠对深度卷积网络泛化性能的影响，并提出了基于 Vision Transformer 的图像重构框架，展示了在多种图像退化任务中的优越表现。

本研究提出了一个理论框架，分析基于两层神经网络的扩散模型，建立了收敛结果，帮助理解其学习过程。研究探讨了扩散模型在黑盒优化中的应用，提出了新的采样理论框架，并比较了不同模型在计算机视觉中的性能差异，展示了扩散模型的优化方法及其在图像重构中的潜力。

本文提出隐式神经特征融合函数（INF）用于高光谱图像融合，解决多光谱与高光谱图像融合问题。通过引入变周期激活函数，提升了信号表示性能。研究还展示了基于特征增强的隐式神经表示方法（FFEINR）和互连融合框架，显著提高了图像重构质量和分类准确性。实验结果表明，这些方法在视觉和定量上均优于现有技术。

本文探讨了去噪扩散模型在图像和文本生成中的应用，提出了多种新颖的生成策略和模型，显著提高了图像重构质量和生成效率，涵盖无监督图像分割、特征表征分解及图像融合方法，展示了在复杂场景下的优越性能和灵活性。

本文探讨了基于小波域损失函数的超分辨率模型训练，提出了WaveMixSR架构，利用离散小波变换提升性能。研究设计了新的关注区块和Hybrid Attention Transformer模型，结合局部与全局特征，显著改善了超分辨率模型在真实世界图像上的适应能力和细节恢复能力。

本文研究了在语言模型中整合位置信息的方法，提出了RoPE和共振RoPE，显著提升了Transformer在长文本处理中的性能。同时，介绍了基于ViT的图像重构框架和条件位置编码方案，均在各自任务中表现优越。

本文介绍了一种深度分解模型，用于字体分析，能够有效区分内容与样式，并重构未见字体的笔画。该模型利用自编码器和无监督学习生成高质量图像，展示了在多种文本领域的应用效果。