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。

本研究提出了一种基于深度学习的运动补偿重建框架，能够在无校正算法的情况下提取运动扫描数据，重建高质量图像。研究还介绍了新算法和模型，提升了CT图像的去噪和伪影消除效果，优化了重建过程的准确性和效率。

本研究提出了多种基于深度学习的CT图像重建方法，包括运动补偿迭代重建技术（MIRT）和无监督密度神经表示（Diner），旨在提高图像质量、减少金属伪影和降低辐射剂量。这些方法在不同应用场景中表现出色，具有广泛的临床潜力。

本文介绍了一种基于深度神经网络的视频编码新方法，结合多尺度运动补偿和自适应熵编码，优化特征聚合，显著提高视频压缩性能。实验结果表明，该方法在比特率和失真度量方面优于传统技术。

本文介绍了一种基于事件相机的实时视觉里程计解决方案，结合视觉一致性和三维场景重建，能够在高速动态场景中有效运行。研究提出了运动补偿图像重建和视觉惯性导航融合等方法，显著提高了姿态估计的准确性。实验结果表明，该系统在多个数据集上优于现有技术。