本研究提出了一种新型正则化生成先验，结合经典字典基础的压缩感知与稀疏贝叶斯学习，旨在通过少量样本有效量化不确定性，且无需优化算法解决逆问题。

本文提出了InterHandGen框架，旨在学习双手相互作用的生成先验。通过条件建模和扩散模型，生成多样化的手形状，从而提升手物体姿态估计的准确性。研究显示该模型在不同数据集上表现优越，强调了其在真实场景中的应用潜力。

该研究利用扩散模型实现了逆转因成像模态的特性，解决了轴向分辨率挑战。自监督重建方法在无训练数据的情况下表现出优越性，具有生成先验的鲁棒性和优势。

该研究利用扩散模型逆转成像模态的特性，解决了轴向分辨率的挑战。通过2D扩散模型持续重建3D体积，在高度下采样数据中表现出优越性。实验证明了与监督学习方法相比，利用生成先验的鲁棒性和优势。同时，证实了自监督重建方法可以在无训练数据的情况下恢复单个各向异性体积。