研究提出了一种基于深度学习的心脏T1映射运动校正框架，通过双向一致性和局部抗折叠约束提高影像配准效果，解决对比度变化问题。其他研究也利用深度学习和物理约束提升心脏MR图像的运动估计、分割和配准的精确性和效率。这些方法在心脏病诊断和MRI成像中展现出潜在价值，改善了模型拟合质量和临床应用效果。

本研究提出了一种名为Moner的无监督径向MRI运动校正方法，旨在解决高质量训练数据不足的问题。通过隐式神经表示和改进的哈希编码策略，Moner有效减少了运动伪影，实验结果表明其在域内外数据上均优于现有技术。

本文介绍了一种新方法，将动态模块集成到深度学习的MRI重建中，以实现图像加速和运动校正。实验结果显示，该方法在运动损坏的MRI数据集上优于传统技术。同时，文章回顾了深度学习在MRI运动校正中的研究现状，探讨了不同方法面临的挑战及未来发展方向。

本文综述了深度学习在核磁共振成像（MRI）运动校正中的应用，探讨了不同方法的挑战与潜力，展示了深度学习模型在运动伪影检测、图像重建及质量评估中的有效性，强调了其在临床成像中的重要性和未来发展方向。

本文介绍了一种基于物理模型的2D和3D姿态估计方法，用于推断3D人体运动，显著提升了动作的真实性和准确性。研究还提出了运动重新定位、互动人物运动预测及基于物理的运动校正等新方法，并在多个数据集上取得了优异的实验结果。

该论文综述了胎儿MRI中运动校正的最新进展，包括传统方法和基于深度学习的技术，提供了对技术细节和实际影响的深入了解，为未来改进提供了观点。