×
西蒙·阿里奇；彼得·马斯；奥赞·奥克坦；卡罗拉·比比安·施恩利布

使用数据驱动模型解决反问题。 （英语） Zbl 1429.65116号

数字学报 28, 1-174 (2019).
摘要：最近关于反问题的研究试图为将数据驱动模型，特别是基于深度学习的模型与物理分析模型中包含的领域特定知识相结合，建立一个数学上一致的基础。重点是解决病态逆问题，这是自然科学、医学和生命科学以及工程和工业应用中许多具有挑战性的应用的核心。本文旨在介绍数据驱动反问题中的一些主要贡献。

引用于112文件

MSC公司：

65J20型 抽象空间中不适定问题的数值解；正规化
65J22型 抽象空间反问题的数值解法
94A08型 信息与通信理论中的图像处理（压缩、重建等）
65-02年 与数值分析相关的研究展览（专著、调查文章）

软件：

取消锁定BoX；TensorFlow公司；基站；凯拉斯；Quicksilver公司；体素变形；掌中宽带；AlphaGo公司；压缩IP；CoSaMP公司；PDE-网络；RAISR公司；布克；Deep Adverserial正则化器；OverFeat公司；DGM公司；香蒜酱；网络电话；Wasserstein甘；凸_学习
PDF格式BibTeX公司 XML格式引用
\textit{S.Arridge}等人，《数值学报》28，1-174（2019；Zbl 1429.65116）
全文： 内政部

参考文献：

[1] M.Abadi（2015），TensorFlow:异构系统上的大规模机器学习。软件可从https://www.tensorflow.org
[2] B.Adcock和A.C.Hansen（2016），“广义采样和无限维压缩传感”，发现。计算。数学.161263-1323·Zbl 1379.94026号
[3] J.Adler和S.Lunz（2018），Banach Wasserstein GAN。《神经信息处理系统进展》31（NIPS 2018）（S.Bengio，eds），Curran Associates，第6754-6763页。
[4] J.Adler和O.Ùktem（2017），“使用迭代深度神经网络解决不适定逆问题”，逆问题33，124007·Zbl 1394.92070号
[5] J.Adler和O.Úktem（2018a），深度贝叶斯反演：大规模反问题的计算不确定性量化。arXiv公司：1811.05910
[6] J.Adler和O.Øktem（2018b），“学习原始-双重重建”，IEEE Trans。医学成像37，1322-1332。
[7] J.Adler、S.Lunz、O.Verdier、C.-B.Schönlieb和O.Úktem（2018），《反问题的任务适应重建》。arXiv:1809.00948·Zbl 07543696号
[8] L.Afara、B.Ghanem和P.Wonka（2018），监督卷积稀疏编码。arXiv:1804.02678号
[9] S.Agapiou、S.Larsson和A.M.Stuart（2013），“线性病态逆问题贝叶斯方法的后验收缩率”，斯托克。过程。申请1233828-3860·兹比尔1284.62289
[10] S.Agapiou，A.M.Stuart和Y.X.Zhang（2014），“线性严重不适定逆问题的贝叶斯后验收缩率”，J.逆不适定问题22，297-321·Zbl 1288.62036号
[11] H.K.Aggarwal、M.P.Mani和M.Jacob（2019年），“MoDL:基于模型的反问题深度学习体系结构”，IEEE Trans。医学成像38，394-405。
[12] M.Aharon、M.Elad和A.M.Bruckstein（2006），“K-SVD：设计稀疏表示的过完备字典的算法”，IEEE Trans。信号处理544311-4322·Zbl 1375.94040号
[13] A.Ahmed、M.Aly、J.Gonzalez、S.Narayanamurthy和A.Smola（2012），潜在变量模型中的可缩放推理。《第五届ACM网络搜索和数据挖掘国际会议论文集》（WSDM’12，第123-132页）。
[14] N.Akhtar和A.Mian（2018），《计算机视觉深度学习中对手攻击的威胁：一项调查》。arXiv:1801.00553号
[15] W.K.Allard、G.Chen和M.Maggioni（2012），“数据集的多尺度几何方法，II：几何多分辨率分析”，应用。计算。哈蒙。分析32435-462·Zbl 1242.42038号
[16] D.Allman、A.Reiter和M.A.L.Bell（2018），“通过深度学习实现光声源检测和反射伪影消除”，IEEE Trans。医学成像37，1464-1477。
[17] L.Ambrosio，N.Fusco和D.Pallara（2000），有界变分函数和自由间断问题，牛津大学出版社·兹比尔0957.49001
[18] H.Andrade-Loarca、G.Kutyniok、O.Ûktem和P.Petersen（2019），使用应用谐波分析和深层神经网络提取数字波前集。arXiv:1901.01388号·Zbl 1439.35009号
[19] M.Andrychowicz、M.Denil、S.Gomez、M.Hoffman、D.Pfau、T.Schaul和N.de Freitas（2016），通过梯度下降学习梯度下降。《神经信息处理系统进展》29（NIPS 2016）（D.D.Lee，eds），Curran Associates，第3981-3989页。
[20] V.Antun、F.Renna、C.Poon、B.Adcock和A.C.Hansen（2019），《图像重建中深度学习的不稳定性：人工智能是否有代价？arXiv:1902.05300v1
[21] L.Ardizzone、J.Kruse、S.Wirkert、D.Rahner、E.W.Pellegrini、R.S.Klessen、L.Maier-Hein、C.Rother和U.Köthe（2018），用可逆神经网络分析反问题。arXiv:1808.04730
[22] M.Argyrou、D.Maintas、C.Tsoumpas和E.Stiliaris（2012），基于人工神经网络（ANN）技术的断层图像重建。2012年IEEE核科学研讨会和医学成像会议（NSS/MIC），第3324-3327页。
[23] M.Arjovsky、S.Chintala和L.Bottou（2017），瓦瑟斯坦生成性对抗网络。第34届国际机器学习会议（ICML’17），第214-223页。
[24] S.Armato、G.McLennan、L.Bidaut、M.McNitt-Gray、C.Meyer、A.Reeves、B.Zhao、D.Aberle、C.Henschke和E.Hoffman（2011年），“肺图像数据库联盟（LIDC）和图像数据库资源倡议（IDRI）：CT扫描肺结节的完整参考数据库”，《医学物理》38，915-931。
[25] S.R.Arridge和O.Scherzer（2012），“耦合物理成像”，反问题28，080201。
[26] S.R.Arridge和J.C.Schotland（2009），“光学层析成像：正向和反向问题”，反向问题25123010·Zbl 1188.35197号
[27] A.Aspri、S.Banert、O.Øktem和O.Scherzer（2018），数据驱动迭代正则化Landweber迭代。arXiv:1812.00272号·兹比尔07241785
[28] P.Auer，M.Herbster和M.K.Warmuth（1996），单神经元的指数多局部极小值。在第八届国际神经信息处理系统会议（NIPS）上，麻省理工学院出版社，第316-322页。
[29] T.Bai、H.Yan、X.Jia、S.Jiang、G.Wang和X.Mou（2017年），利用字典学习进行体积CT重建。在第14届放射与核医学全三维图像重建国际会议上（Fully3D 2017）。
[30] A.B.Bakushinskii（1984），“关于使用拟最优和比率准则选择正则化参数的备注”，苏联计算。数学。数学。《物理学》第24卷，第181-182页·Zbl 0595.65064号
[31] G.Bal、F.Chung和J.Schotland（2016），“超声调制生物发光层析成像和辐射传输方程的可控性”，SIAM J.Math。分析481332-1347·Zbl 1335.35291号
[32] G.Balakrishnan、A.Zhao、M.R.Sabuncu、J.Guttag和A.V.Dalca（2019年），“VoxelMorph:可变形医学图像注册的学习框架”，IEEE Trans。图像，以显示。arXiv:1809.05231
[33] L.Baldassarre、Y.-H.Li、J.Scarlett、B.Gözcü、I.Bogunovic和V.Cevher（2016），“基于学习的压缩子采样”，IEEE J.选定主题信号处理10，809-822。
[34] A.Banerjee、X.Guo和H.Wang（2005），“作为Bregman预测因子的条件期望的最优性”，IEEE Trans。通知。Theory512664-2669·Zbl 1284.94025号
[35] S.Banert、A.Ringh、J.Adler、J.Karlsson和O.Øktem（2018），数据驱动非光滑优化。arXiv:1808.00946·Zbl 1435.90105号
[36] A.R.Barron（1994），“人工神经网络的近似和估计界”，机器学习14，115-133·Zbl 0818.68127号
[37] F.Baus、M.Nikolova和G.Steidl（2014），“完全平滑的L1-TV模型：极小值和参数选择的界限”，J.Math。成像愿景48，295-307·Zbl 1292.49036号
[38] H.H.Bauschke和P.L.Combettes（2017），Hilbert空间中的凸分析和单调算子理论，第二版，CMS数学书籍，Springer·Zbl 1359.26003号
[39] P.Beard（2011），“生物医学光声成像”，接口焦点1，602-631。
[40] A.Beck和M.Teboulle（2009），“线性反问题的快速迭代收缩-阈值算法”，SIAM J.Imaging Sci.2183-202·Zbl 1175.94009号
[41] A.Beck、S.Sabach和M.Teboulle（2016），“非凸正则化结构化总最小二乘问题的交替半近似方法”，SIAM J.矩阵分析。申请371129-1150·Zbl 1346.90676号
[42] S.Becker、Y.Zhang和A.A.Lee（2018），《能源景观的几何学和深层神经网络的优化》。arXiv公司：1805.11572
[43] Y.Bengio、P.Simard和P.Frasconi（1994），“学习梯度下降的长期依赖性是困难的”，IEEE Trans。神经网络5157-166。
[44] M.Benning和M.Burger（2018），反问题的现代正则化方法。《数值学报》第27卷，剑桥大学出版社，第1-111页·Zbl 1431.65080号
[45] M.Benning、C.Brune、M.Burger和J.Müller（2013），“高阶电视方法：通过Bregman迭代增强”，《科学杂志》。计算54269-310·Zbl 1308.94012号
[46] F.Benvenuto、A.L.Camera、C.Theys、A.Ferrari、H.Lantéri和M.Bertero（2008），“泊松和高斯噪声破坏图像重建的迭代方法研究”，反问题24035016·兹比尔1148.68558
[47] J.O.Berger（1985），《统计决策理论和贝叶斯分析》，第二版，施普林格出版社·Zbl 0572.62008号
[48] R.Berinde，A.C.Gilbert，P.Indyk，H.Karloff和M.J.Strauss（2008），结合几何和组合学：稀疏信号恢复的统一方法。第46届Allerton通信、控制和计算年会，第798-805页。
[49] M.Bertero和P.Boccacci（1998），《成像逆问题导论》，物理研究所出版·Zbl 0914.65060号
[50] M.Bertero、H.Lantéri和L.Zanni（2008），《迭代图像重建：一个观点》。生物医学成像和强度调制辐射（IMRT）数学方法跨学科研讨会（Y.Censor，eds），第37-63页。
[51] D.Bertsekas（1999），《非线性规划》，第二版，雅典娜科学出版社·Zbl 1015.90077号
[52] J.Besag（1974），“晶格系统的空间相互作用和统计分析”，J.Royal Statist。Soc.B36192-236·Zbl 0327.60067号
[53] J.Besag和P.J.Green（1993），“空间统计和贝叶斯计算”，J.Royal Statist。Soc.B55，25-37·Zbl 0800.62572号
[54] M.Betancourt（2017），哈密尔顿蒙特卡罗概念介绍。arXiv公司：1701.02434
[55] L.Biegler、G.Biros、O.Ghattas、M.Heinkenschloss、D.Keyes、B.Mallick、L.Tenorio、B.van Bloemen Waanders、K.Willcox和Y.Marzouk（2011），《大尺度反问题和不确定性量化》，《计算统计学中的威利级数》第712卷，威利出版社·Zbl 1203.62002号
[56] N.Bissantz、T.Hohage、A.Munk和F.Ruymgaart（2007），“统计反问题和应用的一般正则化方法的收敛速度”，SIAM J.Numer。分析452610-2636·Zbl 1234.62062号
[57] A.Blake和A.Zisserman（1987），《视觉重建》，麻省理工学院出版社。
[58] D.M.Blei、A.Küçükelbir和J.D.McAuliffe（2017），“变分推理：统计学家评论”，J.Amer。统计师。协会112（518），859-877。
[59] I.R.Bleyer和R.Ramlau（2013），“含噪声数据和不精确算子的反问题的双重正则化方法”，《反问题》29025004·Zbl 1266.47026号
[60] T.Blumensath（2013），“具有非线性观测和相关非线性优化问题的压缩传感”，IEEE Trans。通知。Theory59，3466-3474·Zbl 1364.94111号
[61] T.Blumensath和M.E.Davies（2008），“稀疏近似的迭代阈值”，J.Fourier Ana。申请14629-654·Zbl 1175.94060号
[62] N.Bochkina（2013），“广义线性反问题中后验分布的一致性”，反问题29095010·Zbl 1408.65017号
[63] Y.E.Boink、S.A.van Gils、S.Manohar和C.Brune（2018），“部分学习的基于模型的重建算法的敏感性”，Proc。申请。数学。机械18，e201800222。
[64] H.Bölcskei、P.Grohs、G.Kutyniok和P.Petersen（2019），“稀疏连接深度神经网络的最佳逼近”，SIAM J.Math。数据科学1，8-45·Zbl 1499.41029号
[65] J.F.Bonnans和D.Tiba（1991），“控制半线性椭圆变分不等式的Pontryagin原理”，应用。数学。最佳23，299-312·Zbl 0728.49003号
[66] E.Bostan，U.S.Kamilov和L.Waller（2018），“通过并行近端算法进行基于学习的图像重建”，IEEE信号处理。Lett.252989-993中所述。
[67] R.Boţ和E.Csetnek（2015），“关于凸优化问题的前向-后向型原对偶分裂算法的收敛速度”，Optimization64，5-23·Zbl 1476.47045号
[68] R.Boţ和C.Hendrich（2013），“用复合和平行和型单调算子混合求解夹杂物的Douglas-Rachford型原始-对偶方法”，SIAM J.Optim.23，2541-2565·Zbl 1295.47066号
[69] L.Bottou、F.E.Curtis和J.Nocedal（2018），“大规模机器学习的优化方法”，SIAM Review60，223-311·Zbl 1397.65085号
[70] S.Boyd、N.Parikh、E.Chu、B.Peleato和J.Eckstein（2011），“通过交替方向乘数法进行分布式优化和统计学习”，发现。趋势马赫数。学习。3，1-122·Zbl 1229.90122号
[71] K.Bredies和T.Valkonen（2011），具有二阶总广义变分约束的反问题。第九届国际抽样理论与应用会议（SampTA 2011）。
[72] K.Bredies、K.Kunisch和T.Pock（2011年），“总广义变异”，SIAM J.Imaging Sci.3，492-526·Zbl 1195.49025号
[73] K.Bredies、K.Kunisch和T.Valkonen（2013），《<！[CDATA\（[l^1]]\）>-<！[CDATA\（[\text{TGV}^2]）>：一维情况'，J.Math。分析。申请398438-454·Zbl 1253.49024号
[74] K.Bredies，D.A.Lorenz和P.Maass（2009），“广义条件梯度法及其与迭代收缩法的联系”，计算。最佳方案。申请42173-193·Zbl 1179.90326号
[75] L.Breiman、L.Le Cam和L.Schwartz（1965年），“一致估计和零一集”，《数学年鉴》。统计35，157-161·Zbl 0223.62029号
[76] H.Bristow、A.Eriksson和S.Lucey（2013），《快速卷积稀疏编码》。IEEE计算机视觉和模式识别会议（CVPR 2013），第391-398页。
[77] M.M.Bronstein、J.Bruna、Y.LeCun、A.Szlam和P.Vandergheynst（2017），“几何深度学习：超越欧几里德数据”，IEEE信号处理。杂志34，18-42。
[78] A.M.Bruckstein、D.L.Donoho和M.Elad（2009），“从方程组的稀疏解到信号和图像的稀疏建模”，SIAM Review51，34-18·Zbl 1178.68619号
[79] J.Bruna和S.Mallat（2013），“不变散射卷积网络”，IEEE Trans。模式分析。机器。Intel.351872-1886年。
[80] A.Buades，B.Coll和J.M.摩尔（2005），图像去噪的非局部算法。IEEE计算机学会计算机视觉和模式识别会议（CVPR 2005），第2卷，第60-65页·Zbl 1108.94004号
[81] T.A.Bubba、G.Kutyniok、M.Lassas、M.März、W.Samek、S.Siltanen和V.Srinivasan（2018），《学习无形：有限角度计算机断层扫描的混合深度学习-剪切波框架》。arXiv公司：1811.04602·Zbl 1416.92099号
[82] S.Bubeck（2015），“凸优化：算法和复杂性”，发现。趋势马赫数。学习。8231-357·Zbl 1365.90196号
[83] A.Buccini、M.Donatelli和R.Ramlau（2018），“应用于图像去模糊的反问题半盲正则化算法”，SIAM J.Sci。计算40，A452-A483·Zbl 1383.65058号
[84] T.Bui-Thanh、K.Willcox和O.Ghattas（2008），“具有高维参数输入空间的大型系统的模型简化”，SIAM J.Sci。计算时间：3270-3288·Zbl 1196.37127号
[85] M.Burger和F.Lucka（2014），“具有对数凹先验的线性逆问题中的最大后验估计是适当的贝叶斯估计”，逆问题30114004·兹比尔1302.62010
[86] R.H.Byrd、G.M.Chin、J.Nocedal和Y.Wu（2012），“机器学习优化方法中的样本大小选择”，数学。计划134127-155·Zbl 1252.49044号
[87] C.L.Byrne（2008），应用迭代方法，彼得斯/CRC出版社·兹比尔1140.65001
[88] L.Calatroni（2015），成像问题和应用的新PDE模型。剑桥大学博士论文。
[89] L.Calatroni、C.Cao、J.C.De los Reyes、C.-B.Schönlieb和T.Valkonen（2016），“变分成像模型学习的双层方法”，变分方法18，252-290·Zbl 1468.94014号
[90] L.Calatroni、J.C.De los Reyes和C.-B.Schönlieb（2014），多个非光滑约束下最优噪声学习的动态采样方案。第26届IFIP系统建模与优化会议（CSMO 2013），Springer，第85-95页·Zbl 1333.94008号
[91] L.Calatroni、J.C.De los Reyes和C.-B.Schönlieb（2017），“混合噪声去除中数据差异的Infinal卷积”，SIAM J.Imaging Sci.10，1196-1233·Zbl 1412.94005号
[92] A.P.Calderón（1958），“偏微分方程柯西问题的唯一性”，Amer。《数学杂志》80，16-36·Zbl 0080.30302号
[93] A.P.Calderón和A.Zygmund（1952），“关于某些奇异积分的存在性”，《数学学报》第88、85页·Zbl 0047.10201
[94] A.P.Calderón和A.Zygmund（1956），“关于奇异积分”，Amer。《数学杂志》78，289-309·Zbl 0072.11501号
[95] D.Calvetti和E.Somersalo（2008），“贝叶斯成像框架中的超模型”，反问题24034013·Zbl 1137.62062号
[96] D.Calvetti和E.Somersalo（2017），“反问题：从正则化到贝叶斯推断”，《WIRE计算》。统计10，e1427。
[97] D.Calvetti、B.Lewis和L.Reichel（2002），“关于GMRES方法的正则化性质”，数值。数学91，605-625·兹比尔1022.65044
[98] D.Calvetti、E.Somersalo和A.Strang（2019），“层次贝叶斯模型和稀疏性：<！[CDATA\（[\ell_2]]\）>-魔术'，反问题35，035003·Zbl 1490.62078号
[99] E.J.Candès和D.L.Donoho（2005），“连续曲线变换，I：波前集的分辨率”，应用。计算。哈蒙。分析19，162-197·Zbl 1086.42022号
[100] E.J.Candès、L.Demanet和L.Ying（2007），“傅里叶积分算子的快速计算”，SIAM J.Sci。计算292464-2493·Zbl 1157.65522号
[101] E.J.Candès、J.K.Romberg和T.Tao（2006），“鲁棒不确定性原理：从高度不完整的傅里叶信息进行精确信号重建”，IEEE Trans。通知。Theory52，489-509·兹比尔1231.94017
[102] M.Carriero，A.Leaci和F.Tomarelli（1996），图像分割中的二阶模型：Blake&Zisserman泛函。在《不连续结构的变分方法》（R.Serapioni和F.Tomarelli，eds）中，施普林格，第57-72页·兹比尔0915.49004
[103] I.Castillo和R.Nickl（2013），“高斯白噪声中的非参数Bernstein–von Mises定理”，《统计年鉴》411999-228·Zbl 1285.62052号
[104] I.Castillo和R.Nickl（2014），“关于非参数贝叶斯程序的伯恩斯坦-冯·米塞斯现象”，《Ann.Statist.421941-1969》·Zbl 1305.62190号
[105] A.Chakraborty、M.Alam、V.Dey、A.Chattopadhyay和D.Mukhopadhyaya（2018），《对抗性攻击和防御：一项调查》。arXiv:1810.00069
[106] A.Chambolle和P.-L.Lions（1997年），“通过总变化最小化和相关问题恢复图像”，Numer。数学76167-188·Zbl 0874.68299号
[107] A.Chambolle和T.Pock（2011），“凸问题的一阶原对偶算法及其在成像中的应用”，J.Math。成像愿景40120-145·Zbl 1255.68217号
[108] A.Chambolle和T.Pock（2016），成像连续优化介绍。《数值学报》第25卷，剑桥大学出版社，第161-319页·Zbl 1343.65064号
[109] A.Chambolle、M.Holler和T.Pock（2018），从不完整数据中学习卷积图像原子的凸变分模型。arXiv:1812.03077v1型·Zbl 1434.68625号
[110] T.F.Chan和J.Shen（2006），“图像处理和分析：变分、PDE、小波和随机方法”，《生物医学》。工程在线5，38·Zbl 1095.68127号
[111] J.H.R.Chang、C.L.Li、B.Póczos、B.V.K.V.Kumar和A.C.Sankaranarayanan（2017），《解决所有问题的一个网络：使用深度投影模型解决线性反问题》。arXiv:1703.09912v1
[112] B.Chen，K.Xiang，Z.Gong，J.Wang和S.Tan（2018），“基于神经网络的统计迭代CBCT重建”，IEEE Trans。医学成像37，1511-1521。
[113] G.Chen和D.Needell（2016），“压缩感知和字典学习”，Proc。交响乐。申请。数学73201-241·Zbl 1353.94015号
[114] H·陈、Y·张、Y·陈、J·张、W·张、H·孙、Y·吕、P·廖、J·周和G·王（2019），“学习：学习专家的稀疏数据CT基于评估的重建网络”，IEEE Trans。医学成像37，1333-1347。
[115] H.Chen，Y.Zhang，M.K.Kalra，F.Lin，Y.Chen，P.Liao，J.Zhou和G.Wang（2017a），“带残差编码器-解码器卷积神经网络的低剂量CT”，IEEE Trans。医学成像36，2524-2535。
[116] H.Chen，Y.Zhang，W.Zhang.，P.Liao，K.Li，J.Zhou和G.Wang（2017b），利用卷积神经网络进行低剂量CT去噪。2017年IEEE第14届国际生物医学成像研讨会（ISBI 2017），第143-146页。
[117] Y.Chen、T.Pock和H.Bischof（2012），《学习》ℓ_基于1的分析和合成稀疏先验，使用双层优化。在分析操作员学习与字典学习研讨会（NIPS 2012）中。
[118] Y.Chen、T.Pock、R.Ranftl和H.Bischof（2013年），《基于滤波器的MRF图像恢复无损特定训练的回顾》。德国模式识别会议（GCPR 2013），计算机科学讲稿第8142卷，施普林格，第271-281页。
[119] Y.Chen、R.Ranftl和T.Pock（2014），“分析操作员学习的见解：从基于补丁的稀疏模型到高阶MRF”，IEEE Trans。图像处理231060-1072·兹比尔1374.94065
[120] Y.Chen，W.Yu和T.Pock（2015），关于有效图像恢复的学习优化反应扩散过程。IEEE计算机视觉和模式识别会议（CVPR 2015），第5261-5269页。
[121] F.Cholet（2015），Keras:Python深度学习库https://keras.io网址
[122] A.Choromanska、M.Henaff、M.Mathieu、G.B.Arous和Y.LeCun（2015），多层网络的损耗面。第18届国际人工智能与统计会议（AISTATS 2015），第192-204页。
[123] I.Y.Chun、X.Zheng、Y.Long和J.A.Fessler（2017），使用ℓ_1正则化与学习稀疏变换。在第14届放射与核医学全三维图像重建国际会议上（Fully3D 2017）。
[124] J.Chung和M.I.Espanol（2017），“一般形式Tikhonov的学习正则化参数”，反问题33，074004·Zbl 1414.68048号
[125] C.Clason、T.Helin、R.Kretschmann和P.Piiroinen（2018），贝叶斯反问题中的广义模式。arXiv:1806.00519·Zbl 1430.62053号
[126] A.Cohen、W.Dahmen和R.DeVore（2009），“压缩传感和最佳<！[CDATA\（[k]]\）>-项近似值'，J.Amer。数学。Soc.22211-231·兹比尔1206.94008
[127] J.Cohen、E.Rosenfeld和J.Z.Kolter（2019），通过随机平滑证明对抗鲁棒性。arXiv:1902.02918v1
[128] P.L.Combettes和J.C.Pesquet（2011），《信号处理中的近距离分裂方法》。《科学与工程中反问题的定点算法》（H.H.Bauschke，eds），《Springer优化及其应用》第49卷，Springer，第185-212页·Zbl 1242.90160号
[129] P.L.Combettes和J.C.Pesquet（2012），“用复合、李普希兹和平行和型单调算子的混合物求解夹杂物的原始-对偶分裂算法”，集值变量分析.20，307-330·Zbl 1284.47043号
[130] P.L.Combettes和V.R.Wajs（2005），“近端正向-反向分裂信号恢复”，多尺度模型。模拟41168-1200·Zbl 1179.94031号
[131] R.Costantini和S.Susstrunk（2004），虚拟传感器设计。《2004年电子成像》，国际光学和光子学学会，第408-419页。
[132] A.Courville、I.Goodfellow和Y.Bengio（2017），《深度学习》，麻省理工学院出版社·Zbl 1373.68009号
[133] G.R.Cross和A.K.Jain（1983），“马尔可夫随机场纹理模型”，IEEE Trans。模式分析。机器。英特尔.5，25-39。
[134] G.Cybenko（1989），“通过sigmoid函数的叠加进行逼近”，数学。控制信号系统2，303-314·Zbl 0679.94019号
[135] C.O.da Luis和A.J.Reader（2017），用于抑制MLEM PET图像重建中分辨率恢复伪影的深度学习。2017年IEEE核科学研讨会和医学成像会议（NSS/MIC），第1-3页。
[136] K.Dabov，A.Foi，V.Katkovnik和K.Egiazarian（2007年），“稀疏三维变换域协同滤波的图像去噪”，IEEE Trans。图像处理.162080-2095。
[137] A.V.Dalca、G.Balakrishnan、J.Guttag和M.R.Sabuncu（2018），快速概率微分注册的无监督学习。在第21届医学图像计算和计算机辅助干预国际会议（MICCAI 2018）（A.F.Frangi，eds）上，计算机科学讲义第11070卷，Springer，第729-738页。
[138] M.Dashti和A.M.Stuart（2017），反问题的贝叶斯方法。《不确定性量化手册》（R.Ghanem，eds），Springer，第10章。
[139] M.Dashti，K.J.H.Law，A.M.Stuart和J.Voss（2013），“贝叶斯非参数逆问题中的MAP估计量及其一致性”，逆问题29，095017·Zbl 1281.62089号
[140] I.Daubechies，M.Defrise和C.De Mol（2004），“具有稀疏性约束的线性逆问题的迭代阈值算法”，Commun。纯应用程序。数学57，1413-1457·Zbl 1077.65055号
[141] I.Daubechies（1991），小波十讲，CBMS-NSF应用数学区域会议系列第61卷，SIAM·Zbl 0776.42018号
[142] M.E.Davison（1983），“有限角度层析成像问题的病态性质”，SIAM J.Appl。数学43，428-448·Zbl 0526.44005号
[143] E.Davoli和P.Liu（2018），“一维分数阶TGV：伽马收敛和双层训练方案”，Commun。数学。科学16，213-237·Zbl 1441.94007号
[144] A.Dax（1993），“大型约束最小二乘问题的行松弛方法”，SIAM J.Sci。计算结果14570-584·Zbl 0782.65075号
[145] J.C.De los Reyes（2011），“第二类变分不等式的最优控制”，SIAM J.control Optim.491629-1658·Zbl 1226.49008号
[146] J.C.De los Reyes（2015），数值PDE-Constrained Optimization，Springer·Zbl 1312.65100号
[147] J.C.De los Reyes和C.-B.Schönlieb（2013），“图像去噪：通过非光滑PDE约束优化学习噪声模型”，《反问题》71183-1214·Zbl 1283.49005号
[148] J.C.De los Reyes、C.-B.Schönlieb和T.Valkonen（2016），“图像恢复问题的最佳参数结构”，J.Math。分析。申请434464-500·Zbl 1327.49063号
[149] J.C.De los Reyes、C.-B.Schönlieb和T.Valkonen（2017），“高阶总变差调节模型的双层参数学习”，J.Math。成像愿景57，1-25·Zbl 1425.94010号
[150] A.P.Dempster、N.M.Laird和D.B.Rubin（1977），“通过EM算法从不完整数据中获得最大似然”，J.Royal Statist。社会学B39，1-38·Zbl 0364.62022号
[151] E.Y.Derevtsov、A.V.Efimov、A.K.Louis和T.Schuster（2011年），“奇异值分解及其在二维矢量层析成像中射线变换数值反演中的应用”，J.Inverse Ill-Pose Problems19，689-715·Zbl 1279.33015号
[152] A.Diaspro、M.Schneider、P.Bianchini、V.Caorsi、D.Mazza、M.Pesce、I.Testa、G.Vicidomini和C.Usai（2007），双光子激发荧光显微镜。《显微镜科学》（P.W.Hawkes和J.C.H.Spence主编），第2卷，Springer，第11章，第751-789页。
[153] S.Dittmer、T.Kluth、P.Maass和D.O.Baguer（2018），《架构正则化：反问题的深度优先方法》。arXiv:1812.03889·Zbl 1434.68505号
[154] I.Dokmanić、J.Bruna、S.Mallat和M.de Hoop（2016），《具有不变多尺度统计的反问题》。arXiv:1609.05502
[155] K.Doksum（1974），“无尾和中性随机概率及其后验分布”，Ann.Probab.2183-201·Zbl 0279.60097号
[156] W.Dong，G.Shi，Y.Ma和X.Li（2015），“通过同时稀疏编码进行图像恢复：结构化稀疏性满足高斯尺度混合”，国际。J.计算。愿景114217-232·兹比尔1398.94029
[157] W.Dong，L.Zhang，G.Shi和X.Li（2013），“图像恢复的非局部集中式稀疏表示”，IEEE Trans。图像处理221620-1630·Zbl 1373.94104号
[158] W.Dong，L.Zhang，G.Shi和X.Wu（2011），“通过自适应稀疏域选择和自适应正则化进行图像去模糊和超分辨率”，IEEE Trans。图像处理.201838-1857·Zbl 1372.94072号
[159] D.L.Donoho、Y.Tsaig、I.Drori和J.L.Starck（2012），“通过分段正交匹配追踪求解欠定线性方程组的稀疏解”，IEEE Trans。通知。Theory581094-1121年·Zbl 1365.94069号
[160] J.L.Doob（1948），鞅理论的应用。在CNRS国际学术讨论会：概率理论及其应用，第22-28页·Zbl 0041.45101号
[161] F.Draxler、K.Veschgini、M.Salmhofer和F.Hamprecht（2018），“神经网络能源领域基本上没有障碍”，Proc。机器。学习研究80，1309-1318。
[162] Y.Drori和M.Teboulle（2014），“光滑凸最小化的一阶方法的性能：一种新方法”，数学。程序145，451-482·Zbl 1300.90068号
[163] A.Durmus、E.Moulines和M.Pereyra（2018），“利用近端马尔可夫链蒙特卡罗进行高效贝叶斯计算：当朗之万遇到莫罗时”，SIAM J.Imaging Sci.11，473-506·Zbl 1401.65016号
[164] W.E.、J.Han和A.Jentzen（2017年）。基于深度学习的高维抛物型偏微分方程和倒向随机微分方程数值方法。arXiv公司：1706.04702·Zbl 1382.65016号
[165] J.Eckstein和D.Bertsekas（1992），“关于Douglas-Rachford分裂方法和最大单调算子的近点算法”，数学。程序55293-318·Zbl 0765.90073号
[166] M.Elad（2010），《稀疏和冗余表示：从理论到信号和图像处理应用》，Springer出版社·Zbl 1211.94001号
[167] M.Elad和M.Aharon（2006），“通过学习词典的稀疏和冗余表示进行图像去噪”，IEEE Trans。图像处理.15，3736-3745。
[168] Y.C.Eldar和G.Kutyniok（2012），《压缩传感：理论与应用》，剑桥大学出版社。
[169] H.W.Engl、M.Hanke和A.Neubauer（2000），《反问题的正则化》，《数学及其应用》第375卷，施普林格出版社·Zbl 0859.65054号
[170] H.W.Engl、K.Kunisch和A.Neubauer（1989），“非线性不适定问题的Tikhonov正则化的收敛速度”，反问题5523·Zbl 0695.65037号
[171] C.Esteves、C.Allen-Blanchette、A.Makadia和K.Danilidis（2017），学习球面CNN的SO（3）等变表示。arXiv:1711.06721
[172] S.N.Evans和P.B.Stark（2002），“作为统计的反问题”，反问题18，R1-R55·Zbl 1039.62007号
[173] V.Faber，A.I.Katsevich和A.G.Ramm（1995年），“锥束数据和螺旋层析成像的反演”，J.Inverse Ill-Pose Problems3，429-446·Zbl 0848.44002号
[174] C.Farabet、C.Couprie、L.Najman和Y.LeCun（2013），“学习场景标记的层次特征”，IEEE Trans。模式分析。机器。Intel.351915-1929年。
[175] M.A.T.Figueiredo、R.D.Nowak和S.J.Wright（2007），“稀疏重建的梯度投影：压缩传感和其他反问题的应用”，IEEE J.信号处理选刊，1586-598。
[176] C.E.Floyd（1991），“用于SPECT图像重建的人工神经网络”，IEEE Trans。医学成像10，485-487。
[177] M.Fornasier和H.Rauhut（2008），“迭代阈值算法”，应用。计算。哈蒙。分析25187-208·Zbl 1149.65038号
[178] S.Foucart（2016），“通过基于阈值的算法进行字典解析恢复”，J.Funct。分析。申请22，6-19·Zbl 1356.42023号
[179] S.Foucart和H.Rauhut（2013），《压缩传感、应用和数值谐波分析数学导论》，Birkhäuser·Zbl 1315.94002号
[180] C.Fox和S.Roberts（2012），“变化贝叶斯教程”，Artif。英特尔。第38版，85-95。
[181] J.Franke，R.Lacroix，H.Lehr，M.Heidenreich，U.Heinen和V.Schulz（2017），“利用脉冲示踪信息的MPI流分析工具箱：动脉瘤模型验证”，国际。《磁粉成像杂志》31703020。
[182] D.Freedman（1963），“关于离散情况下贝叶斯估计的渐近行为，I”，《数学年鉴》。统计341386-1403·Zbl 0137.12603号
[183] D.Freedman（1965），“离散情况下贝叶斯估计的渐近行为，II”，《数学年鉴》。统计36，454-456。
[184] A.Frommer和P.Maass（1999），“基于CG的Tikhonov-Phillips正则化快速方法”，SIAM J.Sci。计算于1831-1850年·Zbl 0943.65068号
[185] L.Fu、T.C.Lee、S.M.Kim、A.M.Alessio、P.E.Kinahan、Z.Chang、K.Sauer、M.K.Kalra和B.D.Man（2017），“超低剂量CT重建中的日志前和日志后统计模型的比较”，IEEE Trans。医学成像36，707-720。
[186] C.Garcia-Cardona和B.Wohlberg（2017），卷积词典学习。arXiv:1709.02893·Zbl 1401.94019号
[187] M.U.Ghani和W.C.Karl（2018），基于深度学习的低剂量CT正弦图完成。2018年IEEE第13届图像、视频和多维信号处理研讨会（IVMSP）。
[188] S.Ghosal和N.Ray（2017），“深度变形配准：通过完全卷积神经网络提高精度”，模式识别。Lett.94，81-86。
[189] S.Ghosal和A.W.van der Vaart（2017），《非参数贝叶斯推断基础》，《剑桥统计与概率数学丛书》，剑桥大学出版社·Zbl 1376.62004号
[190] S.Ghosal、J.K.Ghosh和R.V.Ramamoorthi（1999），“密度估算中dirichlet混合物的后验一致性”，《Ann.Statist.27》，第143-158页·Zbl 0932.62043号
[191] S.Ghosal、J.K.Ghosh和A.W.van der Vaart（2000），“后验分布的收敛速度”，《统计年鉴》28，500-531·Zbl 1105.62315号
[192] G.Gilboa和S.Osher（2008），“图像处理应用中的非局部算子”，多尺度模型。模拟71005-1028·Zbl 1181.35006号
[193] D.Gilton、G.Ongie和R.Willett（2019），成像逆问题的Neumann网络。arXiv公司：1901.03707
[194] M.Giordano和H.Kekkonen（2018），Bernstein–von Mises定理和线性反问题的不确定性量化。arXiv:1811.04058v1·Zbl 1436.62161号
[195] M.Girolami和B.Calderhead（2011），“黎曼流形Langevin和哈密顿蒙特卡罗方法”，J.Royal Statist。编号B73、123-214·Zbl 1411.62071号
[196] R.Giryas、Y.C.Eldar、A.M.Bronstein和G.Sapiro（2017），反问题中收敛速度和重建精度之间的权衡。arXiv:1605.09232v2·Zbl 1414.94216号
[197] B.Gleich和J.Weizenecker（7046），“利用磁性粒子的非线性响应进行层析成像”，《自然》435，1214-1217。
[198] G.H.Golub和C.F.Van Loan（1980），“总最小二乘问题分析”，SIAM J.Numer。分析17，883-893·Zbl 0468.65011号
[199] G.H.Golub、P.C.Hansen和D.P.O’Leary（1999），“Tikhonov正则化和总最小二乘法”，SIAM J.矩阵分析。申请21185-194年·Zbl 0945.65042号
[200] G.H.Golub、M.Heat和G.Wahba（1979），“广义交叉验证作为选择良好岭参数的方法”，《技术计量学》21，215-223·Zbl 0461.62059号
[201] A.N.Gomez、M.Ren、R.Urtasun和R.B.Grosse（2017），可逆剩余网络：无需存储激活的反向传播。arXiv:1707.04585v1
[202] D.Gong、Z.Zhang、Q.Shi、A.van den Hengel、C.Shen和Y.Zhang（2018），学习图像反褶积优化器。arXiv:1804.03368v1
[203] I.Goodfellow、J.Pouget-Abadie、M.Mirza、B.Xu、D.Warde-Farley、S.Ozair、A.Courville和Y.Bengio（2014），《生成对抗网》。《神经信息处理系统进展》27（NIPS 2014）（Z.Ghahramani，eds），Curran Associates，第2672-2680页。
[204] B.Gözcü，R.K.Mahabadi，Y.H.Li，E.Ilcak，T.Joukur，J.Scarlett和V.Cevher（2018），“基于学习的压缩MRI”，IEEE Trans。医学成像37，1394-1406。
[205] M.Grasmair、M.Haltmeier和O.Scherzer（2008），“稀疏正则化<！[CDATA\（[\ell_q]]\）>罚款条款'，逆向问题24055020·Zbl 1157.65033号
[206] P.J.Green、K.Łatuszysáski、M.Pereyra和C.P.Robert（2015），“贝叶斯计算：当前状态的总结，以及向后和向前的样本”，统计。计算25835-862·Zbl 1331.62017年
[207] A.Greenleaf、Y.Kurylev、M.Lassas和G.Uhlmann（2007），“所有频率下有源器件的全波隐身性”，Comm.Math。物理275749-789·Zbl 1151.78006号
[208] K.Gregor和Y.LeCun（2010），学习稀疏编码的快速近似。第27届国际机器学习会议（ICML’10），第399-406页。
[209] R.Gribonval和M.Nikolova（2018），《关于贝叶斯估计和邻近算子》。arXiv:1807.04021·Zbl 1461.62040号
[210] S.Gu，L.Zhang，W.Zuo和X.Feng（2014），加权核范数最小化及其在图像去噪中的应用。IEEE计算机视觉和模式识别会议（CVPR 2014），第2862-2869页。
[211] S.Gu、W.Zuo、Q.Xie、D.Meng、X.Feng和L.Zhang（2015），图像超分辨率卷积稀疏编码。IEEE国际计算机视觉会议（ICCV 2015），第1823-1831页。
[212] S.Gugusvili、A.van der Vaart和D.Yan（2018），正则尺度下的贝叶斯线性逆问题。arXiv:1802.08992v1·兹比尔1422.62139
[213] I.Gulrajani、F.Ahmed、M.Arjovsky、V.Dumoulin和A.C.Courville（2017），Wasserstein GANs的改进培训。《神经信息处理系统进展30》（NIPS 2017）（I.Guyon，eds），Curran Associates，第5767-5777页。
[214] Y.Guo，Y.Liu，T.Georgiou和M.S.Lew（2018），“使用深度神经网络进行语义分割的综述”，国际。J.多媒体信息检索7，87-93。
[215] H.Gupta、K.H.Jin、H.Q.Nguyen、M.T.McCann和M.Unser（2018），“基于CNN的投影梯度下降用于一致CT图像重建”，IEEE Trans。医学成像37，1440-1453。
[216] S.Gutta、M.Bhatt、S.K.Kalva、M.Pramanik和P.K.Yalavarthy（2019年），“有限数据光声层析成像的总最小二乘建模误差补偿”，IEEE J.选定主题Quantum Electron.25，1-14。
[217] E.Haber和L.Ruthotto（2017），“深层神经网络的稳定架构”，逆向问题34014004·兹比尔1426.68236
[218] E.Haber和L.Tenorio（2003），“学习正则化泛函”，反问题19，611-626·Zbl 1046.90087号
[219] E.Haber，L.Horesh和L.Tenorio（2010），“大型非线性离散不定反问题设计的数值方法”，反问题26025002·Zbl 1189.65073号
[220] J.Hadamard（1902年），“问题的根源与意义体质”，普林斯顿大学公报49-52。
[221] J.Hadamard（1923），《线性偏微分方程柯西问题讲座》，耶鲁大学出版社·JFM 49.0725.04号
[222] J.Haegele、J.Rahmer、B.Gleich、J.Borgert、H.Wojtczyk、N.Panagiotopoulos、T.Buzug、J.Barkhausen和F.Vogt（2012年），“磁粉成像：心血管干预仪器的可视化”，放射学265、933-938。
[223] B.N.Hahn（2015），“物体适度运动的动态线性逆问题：不适定性和正则化”，逆问题。想象9395-413·Zbl 1332.65193号
[224] U.Hämarik，B.Kaltenbacher，U.Kangro和E.Resmerita（2016），“在Banach空间中通过离散化进行正则化”，反问题32，035004·Zbl 1342.65136号
[225] K.Hammernik、T.Klatzer、E.Kobler、M.P.Recht、D.K.Sodickson、T.Pock和F.Knoll（2018），“学习用于重建加速MRI数据的变分网络”，磁共振成像。Med.793055-3071。
[226] K.Hammernik、F.Knoll、D.Sodickson和T.Pock（2016），学习压缩传感MRI重建的变分模型。《国际医学磁共振学会会刊》（ISMRM）。
[227] Y.Han和J.C.Ye（2018），“通过深度卷积框架构建U-Net：在稀疏视图CT中的应用”，IEEE Trans。医学成像37，1418-1429。
[228] M.Hanke-Bourgeois（1995），《不适定问题的共轭梯度型方法》，《皮特曼数学研究笔记》第327卷，朗曼·Zbl 0830.65043号
[229] M.Hanke和P.C.Hansen（1993），“大型问题的正则化方法”，《调查数学》。工业3，253-315·Zbl 0805.65058号
[230] P.C.Hansen（1992），“利用L曲线分析离散病态问题”，SIAM Review34561-580·Zbl 0770.65026号
[231] A.Hauptmann、F.Lucka、M.Betcke、N.Huynh、J.Adler、B.Cox、P.Beard、S.Ourselin和S.Arridge（2018年），“基于模型的加速有限视三维光声层析成像学习”，IEEE Trans。医学成像37，1382-1393。
[232] B.He和X.Yuan（2012），“鞍点问题原始-对偶算法的收敛性分析：从收缩角度”，SIAM J.成像科学5，119-149·Zbl 1250.90066号
[233] J.He，Y.Yang，Y.Wang，D.Zeng，Z.Bian，H.Zhang，J.Sun，Z.Xu和J.Ma（2019），“优化参数化即插即用ADMM用于迭代低剂量CT重建”，IEEE Trans。医学成像38，371-382。
[234] K.He，X.Zhang，S.Ren和J.Sun（2016），图像识别的深度剩余学习。IEEE计算机视觉和模式识别会议（CVPR 2016），第770-778页。
[235] T.Helin和M.Burger（2015），“无限维贝叶斯反问题的最大后验概率估计”，反问题31，085009·Zbl 1325.62058号
[236] S.W.Hell、A.Schönle和A.Van den Bos（2007），远场荧光显微镜中的纳米分辨率。《显微镜科学》（P.W.Hawkes和J.C.H.Spence编辑），第2卷，施普林格出版社，第790-834页。
[237] C.F.Higham和D.J.Higham（2018），深度学习：应用数学家导论。arXiv公司：1801.05894·Zbl 1440.68214号
[238] M.Hintermüller和C.N.Rautenberg（2017），“加权总变差模型中正则化函数的最佳选择，I：建模与理论”，J.Math。成像愿景59，498-514·Zbl 1382.94015号
[239] M.Hintermüller和T.Wu（2015），“盲反褶积中校准点扩散函数的双层优化”，逆问题。图像9，1139-1169·Zbl 1343.49023号
[240] M.Hintermüller、A.Laurain、C.Löbhard、C.N.Rautenberg和T.M.Surowiec（2014），函数空间中具有平衡约束的椭圆数学规划：最优条件和数值实现。《PDE约束优化趋势》（G.Leugering，eds），Springer，第133-153页·Zbl 1327.49037号
[241] M.Hintermüller、C.N.Rautenberg、T.Wu和A.Langer（2017），“加权总变分模型中正则化函数的最佳选择，II：算法，其分析和数值测试”，J.Math。成像愿景59，515-533·Zbl 1382.94016号
[242] K.Hirakawa和T.W.Parks（2006），“使用总最小二乘法进行图像去噪”，IEEE Trans。图像处理.152730-2742。
[243] B.Hofmann（1994），“关于非线性问题的不适定性”，J.Inverse ill-Posed Problems2，61-76·Zbl 0818.35137号
[244] B.Hofmann、B.Kaltenbacher、C.Pöschl和O.Scherzer（2007），“带非光滑算子的Banach空间中Tikhonov正则化的收敛速度”，反问题23987·Zbl 1131.65046号
[245] B.Hofmann和S.Kindermann（2010），“关于非紧算子线性问题的不适定性”，方法应用。分析17，445-462·Zbl 1228.47017号
[246] T.Hohage和F.Weidling（2016），“变化源条件的特征、逆向结果和光谱正则化方法的最大值”，SIAM J.Numer。分析55598-620·Zbl 1432.65070号
[247] T.Hohage和F.Werner（2016），“泊松数据的反问题：统计正则化理论、应用和算法”，反问题32，093001·Zbl 1372.65163号
[248] X.Hong，Y.Zan，F.Weng，W.Tao，Q.Peng和Q.Huang（2018），“通过对粗PET正弦图进行深度剩余学习来提高图像质量”，IEEE Trans。医学成像37，2322-2332。
[249] L.Hörmander（1971），“傅里叶积分算子，I”，《数学学报》127，79-183·Zbl 0212.46601号
[250] H.Hornik（1991），“多层前馈网络的近似能力”，神经网络4251-257。
[251] K.Hornik、M.Stinchcombe和H.White（1989），“多层前馈网络是通用逼近器”，神经网络2，359-366·Zbl 1383.92015年
[252] J.-T.Hsieh、S.Zhao、S.Eismann、L.Mirabella和S.Ermon 2019，学习具有收敛保证的神经PDE解算器。在第七届国际学习代表大会（ICLR 2019）上亮相。
[253] J.Huang和D.Mumford（1999），《自然图像和模型的统计》。IEEE计算机学会计算机视觉和模式识别会议（CVPR 1999），第1卷，第541-547页。
[254] Y.Huijuo，J.Jinzhu和Z.Zhanxing（2018），SIPID：低剂量CT重建中正弦图插值和图像去噪的深度学习框架。2018年IEEE第15届国际生物医学成像研讨会（ISBI 2018），第1521-1524页。
[255] C.M.Hyun，H.P.Kim，S.M.Lee，S.Lee和J.K.Seo（2018），“欠采样MRI重建的深度学习”，Phys。《医学生物学》第63期，第135007页。
[256] M.Igami（2017），《作为结构估计的人工智能：深蓝、博南萨和阿尔法戈的经济解释》。arXiv:1710.10967号·Zbl 07546371号
[257] N.Ikeda和S.Watanabe（1989），《随机微分方程和扩散过程》，第二版，北荷兰·Zbl 0684.60040号
[258] J.Ingraham、A.Riesselman、C.Sander和D.Marks（2019），《利用可微分模拟器学习蛋白质结构》。在国际学习代表大会（ICLR 2019）上。
[259] E.Janssens、J.D.Beenhouwer、M.V.Dael、T.D.Schryver、L.V.Hoorebeke、P.Verboven、B.Nicolai和J.Sijbers（2018年），“基于神经网络希尔伯特变换的过滤反投影用于快速内联X射线检查”，测量科学。技术29034012。
[260] B.Jin和P.Maass（2012a），“电阻抗断层成像分析及其在Tikhonov正则化中的应用”，ESAIM Control Optim。计算变量181027-1048·Zbl 1259.49056号
[261] B.Jin和P.Maass（2012b），“参数识别问题的稀疏正则化”，反问题28123001·Zbl 1280.47063号
[262] K.H.Jin、M.T.McCann、E.Froustey和M.Unser（2017），“成像逆问题的深度卷积神经网络”，IEEE Trans。图像处理26，4509-4522·Zbl 1409.94275号
[263] F.John（1955a），“关于偏微分方程中“不适当”问题的注释”，Commun。纯应用程序。数学8，591-594·Zbl 0065.33501号
[264] F.John（1955b），“前几次热传导方程的数值解”，Ann.Mat.Pura Appl。(4)40, 129-142. ·Zbl 0066.10504号
[265] F.John（1959），Hadamard意义下不适定问题的数值解。程序中。罗马交响乐团。保护。国际公司。中心，第103-116页·Zbl 0100.12701号
[266] F.John（1960），“具有规定边界的偏微分方程解对数据的连续依赖性”，Commun。纯应用程序。数学.13551-585·Zbl 0097.08101号
[267] D.J.Kadrmas（2004），“LOR-OSEM:从原始响应直方图重建PET统计值”，《物理学》。《医学生物学》第49期，第4731-4744页。
[268] J.P.Kaipio和E.Somersalo（2005），《统计和计算反问题》，《应用数学科学》第160卷，斯普林格出版社·Zbl 1068.65022号
[269] J.P.Kaipio和E.Somersalo（2007），“统计反问题：离散化、模型简化和反犯罪”，J.Compute。申请。数学198，493-504·Zbl 1101.65008号
[270] O.Kallenberg（2002），《现代概率基础》，第二版，施普林格出版社·Zbl 0996.60001号
[271] B.Kaltenbacher、A.Kirchner和B.Vexler（2011），“非线性反问题中选择Tikhonov正则化参数的自适应离散化”，反问题27125008·兹比尔1231.35306
[272] B.Kaltenbacher，A.Neubauer和O.Scherzer（2008），《非线性不适定问题的迭代正则化方法》，计算与应用数学Radon系列第6卷，De Gruyter·Zbl 1145.65037号
[273] E.Kang和J.C.Ye（2018），使用深度学习的低剂量CT的Framelet去噪。2018年IEEE第15届国际生物医学成像研讨会（ISBI 2018），第311-314页。
[274] E.Kang，W.Chang，J.Yoo和J.C.Ye（2018），“通过小波残差网络对低剂量CT进行深度卷积帧去噪”，IEEE Trans。医学成像37，1358-1369。
[275] E.Kang、J.Min和J.C.Ye（2017），“使用定向小波进行低剂量X射线CT重建的深度卷积神经网络”，《医学物理》第44期，第360-375页。
[276] A.Karpathy和L.Fei-Fei（2017），“生成图像描述的深层视觉-语义对齐”，IEEE Trans。模式分析。机器。国际标准39，664-676。
[277] K.Kekkonen、M.Lassas和S.Siltanen（2016），“带次椭圆算子的贝叶斯反演的后验一致性和收敛速度”，反问题32，085005·Zbl 1390.35422号
[278] A.Khandhar、P.Keselman、S.Kemp、R.Ferguson、P.Goodwill、S.Conolly和K.Krishnan（2017），“聚乙二醇涂层氧化铁纳米粒子作为临床前磁粉成像血库示踪剂的评估”，纳米尺度9，1299-1306。
[279] Y.Khoo和L.Ying（2018），SwitchNet:正向和反向散射问题的神经网络模型。arXiv:1810.09675v1·Zbl 1425.65208号
[280] Y.Khoo、J.Lu和L.Ying（2017）。用人工神经网络求解参数PDE问题。arXiv:1707.03351v2·Zbl 1501.65154号
[281] D.Kim和J.A.Fessler（2016），“光滑凸最小化的优化一阶方法”，数学。计划159，81-107·Zbl 1345.90113号
[282] K.Kim、G.E.Fakhri和Q.Li（2017），“利用空间编码的非局部惩罚进行低剂量CT重建”，《医学物理学》第44期，第376-390页。
[283] K.Kim、D.Wu、K.Gong、J.Dutta、J.H.Kim、Y.D.Son、H.K.Kin、G.E.Fakhri和Q.Li（2018年），“利用深度学习先验和局部线性拟合进行PET重建”，IEEE Trans。医学成像37，1478-1487。
[284] S.-J.Kim、K.Koh、M.Lustig、S.Boyd和D.Gorinevsky（2007年），“大规模内点法！[CDATA\（[\ell_1]]\）>-正则化最小二乘法'，IEEE J.选定主题信号处理。1，606-617。
[285] S.Kindermann（2011），“线性不适定问题基于最小化的无噪声级参数选择规则的收敛性分析”，Electron。事务处理。数字。分析38，233-257·Zbl 1287.65043号
[286] A.Kirsch（2011），《反问题数学理论导论》，《应用数学科学》第120卷，第二版，施普林格出版社·Zbl 1213.35004号
[287] T.Klatzer和T.Pock（2015），支持向量机的连续超参数学习。在第20届计算机视觉冬季研讨会（CVWW）上。
[288] B.J.K.Kleijn和Y.Y.Zhao（2018），《后部一致性标准》。arXiv:1308.1263v5
[289] T.Kluth（2018），“磁粉成像的数学模型”，反问题34，083001·Zbl 1395.78271号
[290] T.Kluth和P.Maass（2017），“磁粉成像中的模型不确定性：非线性问题公式和基于模型的稀疏重建”，国际。《磁粉成像杂志》31707004。
[291] B.T.Knapik、B.T.Szabó、A.W.van der Vaart和J.H.van Zanten（2016），“白噪声模型逆问题中自适应推理的贝叶斯程序”，Probab。理论相关领域164，771-813·兹比尔1334.62039
[292] B.T.Knapik，A.W.van der Vaart和J.H.van Zanten（2011），“高斯先验的贝叶斯反问题”，Ann.Statist.32626-2657·兹比尔1232.62079
[293] B.T.Knapik、A.W.van der Vaart和J.H.van Zanten（2013），“热方程初始条件的贝叶斯恢复”，Commun。统计师。理论方法42，1294-1313·Zbl 1347.62057号
[294] T.Knopp、N.Gdaniec和M.Möddel（2017），“磁粉成像：从原理证明到临床前应用”，《物理学》。医学生物学62，R124。
[295] T.Knopp、T.Viereck、G.Bringout、M.Ahlborg、J.Rahmer和M.Hofmann（2016），MDF：磁粉成像数据格式。arXiv:1602.06072
[296] S.Ko、D.Yu和J.H.Won（2017），关于复合凸最小化问题的一类一阶原始-对偶算法。arXiv公司：1702.06234
[297] E.Kobler、T.Klatzer、K.Hammernik和T.Pock（2017年），《变化网络：连接变化方法和深度学习》。在德国模式识别会议（GCPR 2017），计算机科学讲稿第10496卷，施普林格，第281-293页。
[298] F.Kokkinos和S.Lefkimmiatis（2018），使用级联卷积残差去噪网络进行深度图像去噪。arXiv公司：1803.05215·兹比尔07122970
[299] V.Kolehmainen、M.Lassas、K.Niinimäki和S.Siltanen（2012），“稀疏促进贝叶斯反演”，反演问题28，025005·Zbl 1233.62046号
[300] V.P.Krishnan和E.T.Quinto（2015），层析成像中的微观局部分析，成像数学方法手册，Springer·Zbl 1395.94042号
[301] A.Küçükelbir、R.Ranganath、A.Gelman和D.Blei（2017），“自动变分推理”，J.Mach。学习。第18号决议，430-474·Zbl 1437.62109号
[302] J.Kukačka、V.Golkov和D.Cremers（2017年），《深度学习的规范化：分类法》。arXiv:1710.10686号
[303] K.Kunisch和T.Pock（2013），“变分模型中参数学习的双层优化方法”，SIAM J.Imaging Sci.6，938-983·Zbl 1280.49053号
[304] H.Kushner和G.Yin（1997），随机近似算法和应用，Springer·Zbl 0914.60006号
[305] G.Kutyniok和D.Labate（2009），“使用连续剪切波的波前集分辨率”，Trans。阿默尔。数学。Soc.3612719-2754·Zbl 1169.42012年
[306] G.Kutyniok和D.Labate（2012），Shearlets:多元数据的多尺度分析，Springer·Zbl 1237.42001号
[307] R.R.Lam、L.Horesh、H.Avron和K.E.Willcox（2017），你应该推导还是让数据驱动？混合第一原理数据驱动建模的优化框架。arXiv:1711.04374
[308] F.Lanusse、J.-L.Starck、A.Woiselle和J.M.Fadili（2014），“三维稀疏表示”，《高级成像电子物理》18399-204。
[309] A.Lanza，S.Morigi，F.Sgallari和Y.-W.Wen（2014），“泊松-高斯混合噪声的图像恢复”，计算机。方法生物技术。生物识别。Engng Imaging视觉2，12-24。
[310] M.Lassas、E.Saksman和S.Siltanen（2009），“离散不变贝叶斯反演和Besov空间先验”，逆问题。图像387-122·Zbl 1191.62046号
[311] P.Latafat和P.Patrinos（2017），“解决涉及三个运算符的单调包含的非对称前向-后向-伴随分裂”，计算。最佳方案。申请6857-93·Zbl 1406.90129号
[312] R.Lattès和J.L.Lions（1969），《拟可逆性方法：偏微分方程的应用》，《科学和数学中的现代分析和计算方法》第18卷，美国爱思唯尔出版社·Zbl 1220.65002号
[313] L.Le Cam（1986），统计决策理论中的渐近方法，统计学中的Springer级数，Springer·Zbl 0605.62002号
[314] Y.LeCun、Y.Bengio和G.Hinton（2015），“深度学习”，《自然》521（7553），436-444。
[315] D.Lee、J.Yoo和J.C.Ye（2017），压缩传感MRI的深度剩余学习。2017年IEEE第14届国际生物医学成像研讨会（ISBI 2017），第15-18页。
[316] H.Lee、J.Lee，H.Kim、B.Cho和S.Cho（2019），“稀疏视图CT图像重建中基于深度神经网络的正弦图合成”，IEEE Trans。辐射等离子体医学3，109-119。
[317] S.Lefkimmiatis（2017），利用卷积神经网络进行非局部彩色图像去噪。IEEE计算机视觉和模式识别国际会议（CVPR 2017），第3587-3596页。
[318] M.S.Lehtinen、L.Päivärinta和E.Somersalo（1989），“广义随机变量的线性反问题”，反问题5，599-612·Zbl 0681.60015号
[319] C.Y.Li，X.Liang，Z.Hu和E.P.Xing（2018a），用于生成医学图像报告的混合检索生成增强剂。arXiv:1805.08298
[320] H.Li、J.Schwab、S.Antholzer和M.Haltmeier（2018b），NETT：用深度神经网络解决反问题。arXiv:1803.00092·兹比尔1456.65038
[321] H.Li、Z.Xu、G.Taylor和T.Goldstein（2018c），可视化神经网络的损失景观。在第六届国际学习代表大会（ICLR 2018）上。
[322] F.Liese和K.-J.Miescke（2008），《统计决策理论：估计、测试和选择》，《统计学中的Springer系列》，Springer出版社·Zbl 1154.62008年
[323] R.Liu、Z.Lin、W.Zhang和Z.Su（2010），通过最优控制学习用于图像恢复的偏微分方程。在欧洲计算机视觉会议（ECCV 2010）上，《计算机科学讲稿》第6311卷，施普林格出版社，第115-128页。
[324] Z.Long、Y.Lu、X.Ma和B.Dong（2018），PDE-Net:从数据中学习PDE。arXiv:1710.09668v2
[325] A.K.Louis（1989年），《逆向与schlecht gestelte Probleme》，Vieweg/Teubner·Zbl 0667.65045号
[326] A.K.Louis（1996），“线性和一些非线性问题的近似逆”，逆问题12，175-190·Zbl 0851.65036号
[327] A.K.Louis（2011），“反问题中的特征重建”，反问题27，065010·Zbl 1229.47141号
[328] A.K.Louis和P.Maass（1990），“第一类线性算子方程的软化方法”，《反问题》6427·Zbl 0713.65040号
[329] S.Lu、S.V.Pereverzev和U.Tautenhahn（2009），“正则化总最小二乘：计算方面和误差界”，SIAM J.矩阵分析。申请31918-941·兹比尔1198.65094
[330] A.Lucas、M.Iliadis、R.Molina和A.K.Katsaggelos（2018），“将深度神经网络用于成像中的逆问题：超越分析方法”，IEEE信号处理。杂志35，20-36。
[331] S.Lunz、O.Øktem和C.-B.Schönlieb（2018），反问题中的对抗正则化子。《神经信息处理系统进展》31（NIPS 2018）（S.Bengio，eds），Curran Associates，第8507-8516页。
[332] Z.-Q.Luo、J.-S.Pong和D.Ralph（1996），平衡约束下的数学规划，剑桥大学出版社。
[333] P.Maass（2019），琐碎逆问题的深度学习。在压缩传感及其应用中，Birkhäuser·Zbl 1496.68287号
[334] J.Mairal和J.Ponce（2014），图像和视觉处理的稀疏建模。arXiv:1411.3230v2·Zbl 1333.68263号
[335] J.Mairal、F.Bach、J.Ponce和G.Sapiro（2010），“矩阵分解和稀疏编码的在线学习”，J.Mach。学习。第11、19-60号决议·Zbl 1242.62087号
[336] S.Mallat（2009），《信号处理的小波之旅：稀疏方法》，第三版，学术出版社·Zbl 1170.94003号
[337] S.Mallat（2012），“群不变散射”，Commun。纯应用程序。数学651331-1398·Zbl 1282.47009号
[338] S.Mallat（2016），“理解深度卷积网络”，Philos。事务处理。皇家学会A37420150203。
[339] S.G.Mallat和Z.Zhang（1993），“将追求与时频词典相匹配”，IEEE Trans。信号处理41，3397-3415·Zbl 0842.94004号
[340] A.Mandelbaum（1984），“希尔伯特空间上的线性估计和可测线性变换”，Z.Wahrsch。弗鲁。Gebiete65，385-397·Zbl 0506.60004号
[341] X.Mao、Q.Li、H.Xie、R.Y.Lau、Z.Wang和S.P.Smolley（2016），最小二乘生成对抗网络。arXiv:1611.04076
[342] M.Mardani、E.龚、J.Y.Cheng、J.Pauly和L.Xing（2017a），用于压缩成像的递归生成对抗性神经网络。IEEE第七届多传感器自适应处理计算进展国际研讨会（CAMSAP 2017）。
[343] M.Mardani、E.Gong、J.Y.Cheng、S.Vasanawala、G.Zaharchuk、M.Alley、N.Thakur、S.Han、W.Dally、J.M.Pauly和L.Xing（2017b），用于压缩感知的深层生成对抗网络（GANCS）自动化MRI。arXiv:1706.00051
[344] M.Markkanen、L.Roininen、J.M.J.Huttunen和S.Lasanen（2019），“保边贝叶斯反演的柯西差分先验”，J.Inverse Ill-Pose Problems27225-240·Zbl 1417.49049号
[345] I.Markovsky和S.Van Huffel（2007），“总最小二乘法概述”，《信号处理》87，2283-2302·Zbl 1186.94229号
[346] J.Martens和I.Sutskever（2012），使用无Hessian优化训练深层和循环网络。《神经网络：交易技巧》，《计算机科学讲义》第7700卷，施普林格出版社，第479-535页。
[347] D.Martin、C.Fowlkes、D.Tal和J.Malik（2001），人类分割自然图像数据库及其在评估分割算法和测量生态统计中的应用。第八届计算机视觉国际会议（ICCV 2001），第2卷，第416-423页。
[348] M.T.McCann和M.Unser（2019），生物医学图像重建算法。arXiv：1901.03565·兹比尔1431.92003
[349] M.T.McCann、K.H.Jin和M.Unser（2017），“成像逆问题的卷积神经网络：综述”，IEEE信号处理。杂志34，85-95。
[350] T.Meinhardt、M.Moeller、C.Hazirbas和D.Cremers（2017），学习近端算子：使用去噪网络正则化逆成像问题。IEEE国际计算机视觉会议（ICCV 2017），第1799-1808页。
[351] K.Miller（1970），“具有规定边界的不适定问题的最小二乘法”，SIAM J.Math。分析1，52-74·Zbl 0214.14804号
[352] D.D.L.Minh和D.Le Minh（2015），“理解黑斯廷斯算法”，Commun。统计师。模拟。计算44332-349·Zbl 1316.65004号
[353] T.Minka（2001），近似贝叶斯推断的期望传播。在第17届人工智能不确定性会议（UAI’01）上（J.S.Breese和D.Koller，eds），Morgan Kaufmann，第362-369页。
[354] F.Monard、R.Nickl和G.P.Paternain（2019），“X射线变换的有效非参数贝叶斯推断”，《Ann.Statist.47》，第1113-1147页·Zbl 1417.62060号
[355] N.Moriakov、K.Michielsen、J.Adler、R.Mann、I.Sechopoulos和J.Teuwen（2018年），数字乳房断层合成重建的深度学习框架。arXiv:1808.04640
[356] V.A.Morozov（1966），“关于用正则化方法求解函数方程”，苏联数学。Doklady7，414-417·Zbl 0187.12203号
[357] A.Mousavi和R.G.Baraniuk（2017），《学习反转：通过深度卷积网络恢复信号》。2017年IEEE声学、语音和信号处理国际会议（ICASSP），第2272-2276页。
[358] J.L.Mueller和S.Siltanen（2012），实际应用的线性和非线性逆问题，SIAM·Zbl 1262.65124号
[359] D.Mumford和J.Shah（1989），“分段光滑函数和相关变分问题的最佳逼近”，Commun。纯应用程序。数学42，577-685·Zbl 0691.49036号
[360] K.Murase、M.Aoki、N.Banura、K.Nishimoto、A.Mimura、T.Kuboyabu和I.Yabata（2015），“磁粒子成像在预测磁热疗治疗效果中的作用”，《开放医学成像》5，85。
[361] F.Natterer（1977），“Regularisierung schlecht gestellter Probleme durch Projektionsverfahren”，数字。数学28，329-341·Zbl 0364.65042号
[362] F.Natterer（2001），《计算机断层成像的数学》，《应用数学经典》第32卷，SIAM·Zbl 0973.92020号
[363] F.Natterer和F.Wübbeling（2001），图像重建中的数学方法，SIAM·Zbl 0974.92016年
[364] R.M.Neal（2003），“切片取样”，《统计年鉴》31，705-767·Zbl 1051.65007号
[365] D.Needell和J.A.Tropp（2009），“CoSaMP：从不完整和不准确的样本中恢复迭代信号”，Appl。计算。哈蒙。分析26301-321·Zbl 1163.94003号
[366] D.Needell和R.Vershynin（2009），“通过正则化正交匹配追踪的统一不确定性原理和信号恢复”，Found。计算。数学9，317-334·Zbl 1183.68739号
[367] Y.Nesterov（2004），《凸优化导论：基础课程》，施普林格应用优化第87卷·兹比尔1086.90045
[368] Y.Nesterov（2007），用于最小化复合目标函数的梯度方法。法国卢旺天主教大学运筹学和计量经济学中心（CORE）第2007076号讨论论文。
[369] A.Neubauer和H.K.Pikkarainen（2008），“贝叶斯反演理论的收敛结果”，J.Inverse Ill-Pose Problems16，601-613·Zbl 1284.60012号
[370] R.Nickl（2013），《统计理论》，剑桥大学讲稿。http://www.statslab.cam.ac.uk/●nickl/站点/_files/stat2013.pdf
[371] R.Nickl（2017a），“统计反问题的Bernstein–von Mises定理，I:Schrödinger方程”，《欧洲数学杂志》。Soc.，出现。arXiv公司：1707.01764
[372] R.Nickl（2017b），“关于偏微分方程某些统计逆问题的贝叶斯推断”，伯努利新闻24，5-9。
[373] R.Nickl和J.Söhl（2017），“离散观测标量扩散的非参数贝叶斯后收缩率”，《Ann.Statist.451664-1693》·Zbl 1411.62087号
[374] R.Nickl、S.van de Geer和S.Wang（2018），PDE约束回归问题中惩罚最小二乘估计的收敛速度。arXiv:1809.08818·Zbl 1436.62163号
[375] L.Nie和X.Chen（2014），“新兴对比剂辅助的结构和功能光声分子断层成像”，《化学》。Soc.Review43，7132-70。
[376] J.Nocedal和S.Wright（2006），《数值优化》，《Springer运营研究和金融工程系列》，Springer出版社·Zbl 1104.65059号
[377] C.Oh，D.Kim，J.-Y.Chung，Y.Han和H.W.Park（2018），ETER-net：使用递归神经网络进行端到端MR图像重建。在医学图像重建机器学习国际研讨会（MLMIR 2018）（F.Knoll，eds），施普林格计算机科学讲义第11074卷。
[378] B.A.Olshausen和D.J.Field（1997），“基集过完备的稀疏编码：V1采用的策略？”，视觉研究37，3311-3325。
[379] J.V.Outrata（2000），“具有平衡约束的广义数学程序”，SIAM J.Control Optim.381623-1638·Zbl 0968.49012号
[380] S.Oymak和M.Soltanolkotabi（2017），“从非线性观测中快速可靠的参数估计”，SIAM J.Optim.27227-2300·Zbl 1373.90120号
[381] V.Papyan、Y.Romano和M.Elad（2017），“通过卷积稀疏编码分析的卷积神经网络”，J.Mach。学习。第18号决议，1-52·Zbl 1434.68444号
[382] V.Papyan、J.Sulam和M.Elad（2016a），《全球局部思考》，I：卷积稀疏编码的理论保证。arXiv:1607.02005年·Zbl 1414.94462号
[383] V.Papyan、J.Sulam和M.Elad（2016b），《全球局部思维工作》，II：卷积稀疏编码的稳定性和算法。arXiv:1607.02009年·Zbl 1414.94462号
[384] P.Paschalis、N.D.Giokaris、A.Karabarbounis、G.K.Loudos、D.Mains、C.N.Papanicolas、V.Spanoudaki、C.Tsoumpas和E.Stiliaris（2004），“使用人工神经网络重建断层图像”，Nucl。仪器。方法物理学。A527、211-215号决议。
[385] D.M.Pelt和K.J.Batenburg（2013），“使用人工神经网络从有限数据中快速重建层析成像”，IEEE Trans。图像处理.22，5238-5251。
[386] D.M.Pelt、K.J.Batenburg和J.A.Sethian（2018），“使用混合尺度密集卷积神经网络改进有限数据的断层重建”，J.Imaging41228。
[387] P.Perona和J.Malik（1990），“使用各向异性扩散的尺度空间和边缘检测”，IEEE Trans。模式分析。机器。国际12，629-639。
[388] G.Peyré，S.Bougleux和L.D.Cohen（2011），“逆问题的非局部正则化”，逆问题。图像5，511-530·Zbl 1223.68116号
[389] D.L.Phillips（1962），“某些第一类积分方程的数值求解技术”，J.Assoc.Compute。马赫数9，84-97·Zbl 0108.29902号
[390] L.Plantagie和J.K.Batenburg（2015），“非线性层析重建方法快速近似的代数滤波方法”，J.Electron。图24013026·Zbl 1373.94039号
[391] R.Plato和G.Vainikko（1990），“关于解决不适定问题的投影方法的正则化”，Numer。数学57，63-79·Zbl 0675.65053号
[392] Y.Pu、X.Yuan、A.Stevens、C.Li和L.Carin（2016），深度生成反褶积图像模型。第19届国际人工智能与统计会议（AISTATS 2016），第741-750页。
[393] P.Putzky和M.Welling（2017），用于解决逆问题的递归推理机。arXiv:1706.04008
[394] C.Qin、J.Schlemper、J.Caballero、A.N.Price、J.V.Hajnal和D.Rueckert（2019），“用于动态MR图像重建的卷积递归神经网络”，IEEE Trans。医学成像38，280-290。
[395] T.M.Quan，S.Member，T.Nguyen-Duc和W.-K.Jeong（2018），“使用具有循环损耗的生成性对抗网络进行压缩传感MRI重建”，IEEE Trans。医学成像37，1488-1497。
[396] E.T.Quinto（1993），“X射线变换和有限数据层析成像的奇异性！[CDATA\（[\mathbb{R}^2]）>和<！[CDATA\（[\mathbb{R}^3]]\）>'，SIAM J.数学。分析241215-1225·Zbl 0784.44002号
[397] E.T.Quinto和O.ktem（2008），“电子显微镜中的局部层析成像”，SIAM J.Appl。数学68，1282-1303·Zbl 1153.65121号
[398] J.Radon（1917），“Bestimmung von Funktitionen durch ihre Integralwerte längs gewisser Mannigfaltigkeiten”，ber。维尔。Sächs州。阿卡德。威斯。（莱比锡）69，262-277·JFM 46.0436.02号
[399] M.Raissi和G.E.Karniadakis（2017），《隐藏物理模型：非线性偏微分方程的机器学习》。arXiv:1708.00588v2·Zbl 1381.68248号
[400] R.Ranftl和T.Pock（2014），图像分割的深度变化模型。第36届德国模式识别会议（GCPR 2014），《计算机科学讲义》第8753卷，施普林格出版社，第107-118页。
[401] K.Ray（2013），“非共轭先验的贝叶斯逆问题”，电子。《统计学杂志》第7期，第2516-2549页·兹比尔1294.62107
[402] E.T.Reehorst和P.Schniter（2018），去噪正则化：澄清和新的解释。arXiv公司：1806.02296
[403] A.Repetti、M.Pereyra和Y.Wiaux（2019），“通过凸优化对成像逆问题进行可缩放贝叶斯不确定性量化”，SIAM J.imaging Sci.12，87-118·Zbl 1429.94022号
[404] W.Ring（2000），“全变分正则化问题解的结构性质”，ESAIM数学。模型。数字。分析34799-810·Zbl 1018.49021号
[405] S.Rizzo、F.Botta、S.Raimondi、D.Origgi、C.Fanciullo、A.G.Morganti和M.Bellomi（2018），《放射学：图像分析的事实和挑战》，《欧洲广播》。实验2，36。
[406] G.Rizzuti、A.Siahkoohi和F.J.Herrmann（2019），亥姆霍兹方程的学习迭代解算器。提交至2019年第81届EAGE会议和展览。可从以下位置获得https://www.slim.eos.ubc.ca/content/learned-iterative-solvers-helmholtz-equation网站
[407] H.Robbins和S.Monro（1951），“随机近似方法”，《数学年鉴》。统计22，400-407·Zbl 0054.05901号
[408] C.P.Robert和G.Casella（2004年），蒙特卡罗统计方法，《统计学中的斯普林格文本》，斯普林格出版社·兹比尔1096.62003
[409] R.T.Rockafellar和R.J.B.Wets（1998），变分分析，施普林格·Zbl 0888.49001号
[410] Y.Romano和M.Elad（2015），Patch-disagreement作为改进K-SVD去噪的方法。IEEE声学、语音和信号处理国际会议（ICASSP），第1280-1284页。
[411] Y.Romano、M.Elad和P.Milanfar（2017a），“能够做到的小引擎：通过去噪进行正则化（RED）”，SIAM J.Imaging Sci.101804-1844·兹比尔1401.62101
[412] Y.Romano、J.Isidoro和P.Milanfar（2017b），“RAISR：快速准确的图像超分辨率”，IEEE Trans。计算。图像3110-125。
[413] O.Ronneberger、P.Fischer和T.Brox（2015），《U-Net:生物医学图像分割的卷积网络》。第18届医学图像计算和计算机辅助干预国际会议（MICCAI 2015）（N.Navab，eds），计算机科学讲稿第9351卷，Springer，第234-241页。
[414] S.Roth和M.J.Black（2005），《专家领域：学习图像先验的框架》。IEEE计算机学会计算机视觉和模式识别会议（CVPR 2005），第2卷，第860-867页。
[415] R.Rubinstein、A.M.Bruckstein和M.Elad。（2010），“稀疏表示建模词典”，Proc。IEEE981045-1057。
[416] S.Ruder（2016），梯度下降优化算法概述。arXiv公司：1609.04747
[417] L.I.Rudin、S.Osher和E.Fatemi（1992），“基于非线性总变差的噪声去除算法”，《物理学》。D60，259-268·Zbl 0780.49028号
[418] D.E.Rumelhart、G.E.Hinton和R.J.Williams（1986），通过错误传播学习内部表征。《并行分布式处理：认知微观结构的探索》，第1卷：基础（D.E.Rumelhart、J.L.McClelland和PDP研究小组编辑），麻省理工出版社，第318-362页。
[419] L.Ruthotto和E.Haber（2018），偏微分方程驱动的深层神经网络。arXiv:1804.04272·兹比尔1426.68236
[420] J.Salamon、M.Hofmann、C.Jung、M.G.Kaul、F.Werner、K.Them、R.Reimer、P.Nielsen、A.vom Scheidt、G.Adam、T.Knopp和H.Ittrich（2016年），“磁粉/磁共振成像：使用路线图和血池示踪剂方法的体外MPI引导实时导管追踪和4D血管成形术”，PloS ONE11，e0156899。
[421] K.G.Samuel和M.F.Tappen（2009），学习连续值MRF模型中的优化地图估计。在IEEE计算机视觉和模式识别会议（CVPR 2009），第477-484页。
[422] M.Sato（1971），偏微分方程超函数解的正则性。《国际数学大会学报》，第2卷，高蒂尔·维拉斯，第785-794页·Zbl 0232.35004号
[423] A.Sawatzky、C.Brune、J.Müller和M.Burger（2009年），《泊松统计图像的总变异处理》。《图像和模式的计算机分析》（X.Jiang和N.Petkov，eds），《计算机科学讲义》第5702卷，施普林格出版社，第533-540页。
[424] M.J.Schervish（1995），统计学理论，统计学中的Springer系列，Springer·Zbl 0834.62002号
[425] O.Scherzer（1998），“用于解决参数估计问题的修正Landweber迭代”，应用。数学。最佳38，45-68·Zbl 0915.65054号
[426] O.Scherzer、M.Grasmair、H.Grossauer、M.Haltmeier和F.Lenzen（2009），《成像中的变分方法》，《应用数学科学》第167卷，施普林格出版社·Zbl 1177.68245号
[427] J.Schlemper、J.Caballero、J.V.Hajnal、A.Price和D.Rueckert（2017），用于MR图像重建的卷积神经网络的深层级联。第25届医学成像信息处理国际会议（IPMI 2017），《计算机科学讲稿》第10265卷，施普林格，第647-658页。
[428] J.Schlemper、J.Caballero、J.V.Hajnal、A.N.Price和D.Rueckert（2018），“用于动态MR图像重建的卷积神经网络的深度级联”，IEEE Trans。医学成像37，491-503。
[429] U.Schmidt和S.Roth（2014），有效图像恢复的收缩场。IEEE计算机视觉和模式识别会议（CVPR 2014），第2774-2781页。
[430] U.Schmitt和A.K.Louis（2002），“动态逆问题正则化的有效算法，I：理论”，逆问题18，645-658·Zbl 1003.65049号
[431] T.Schuster（2007），《近似反演方法：理论与应用》，《数学讲义》第1906卷，施普林格出版社·Zbl 1171.65001号
[432] T.Schuster、B.Hahn和M.Burger（2018），“动态逆问题：建模-正则化-数值[前言]”，逆问题34，040301·Zbl 1395.00048号
[433] T.Schuster、B.Kaltenbacher、B.Hofmann和K.Kazimierski（2012），巴拿赫空间中的正则化方法，计算和应用数学上的Radon级数，De Gruyter·Zbl 1259.65087号
[434] J.Schwab、S.Antholzer和M.Haltmeier（2018），反问题的深空空间学习：收敛分析和速率。arXiv:1806.06137号·Zbl 1491.65039号
[435] L.Schwartz（1965），“关于贝叶斯程序”，Z.Wahrsch。弗鲁。Gebiete4，10-26·Zbl 0158.17606号
[436] T.I.Seidman和C.R.Vogel（1989），“非线性不适定问题某些正则化方法的适定性和收敛性”，《反问题》5，227-238·Zbl 0691.35090号
[437] P.Sermanet、D.Eigen、X.Zhang、M.Mathieu、R.Fergus和Y.LeCun（2013），OverFeat:使用卷积网络的集成识别、定位和检测。arXiv公司：1312.6229
[438] S.-S.Shai和B.-D.Shai（2014），《理解机器学习：从理论到算法》，剑桥大学出版社·Zbl 1305.68005号
[439] H.Shan，Y.Zhang，Q.Yang，U.Kruger，M.K.Kalra，L.Sun，W.Cong和G.Wang（2018），“通过从二维训练网络中的转移学习实现低剂量CT的三维卷积编码器-解码器网络”，IEEE Trans。医学成像3711522-1534。
[440] J.Sirignano和K.Spiliopoulos（2017），DGM：求解偏微分方程的深度学习算法。arXiv:1708.07469v1·Zbl 1416.65394号
[441] B.Sprungk（2017），希尔伯特空间中贝叶斯推理的数值方法。Chemnitz理工大学博士论文。
[442] H.Sreter和R.Giryas（2017），学习卷积稀疏编码。arXiv:1711.00328
[443] R.L.Streit（2010），泊松点过程：成像、跟踪和传感，Springer。
[444] D.M.Strong和T.F.Chan（1996），总变差正则化问题的精确解。在加州大学洛杉矶分校CAM报告中，Citeser。
[445] A.M.Stuart（2010），《逆向问题：贝叶斯观点》。《数值学报》第19卷，剑桥大学出版社，第451-559页·Zbl 1242.65142号
[446] A.M.Stuart和A.L.Teckentrup（2018），“贝叶斯后验分布高斯过程近似的后验一致性”，数学。组件87、721-753·Zbl 1429.60040号
[447] J.Sulam和M.Elad（2015），稀疏先验的预期补丁日志可能性。《计算机视觉和模式识别中的能量最小化方法：第十届国际会议论文集》（EMMCVPR 2015），第99-111页。
[448] J.Sulam、V.Papyan、Y.Romano和M.Elad（2017），多层卷积稀疏建模：追求和字典学习。arXiv:1708.08705·Zbl 1415.94241号
[449] N.S.Syu、Y.S.Chen和Y.Y.Chuang（2018年），《学习深度卷积网络用于退色》。arXiv:1802.03769
[450] B.T.Szabó，A.W.van der Vaart和J.H.van Zanten（2013），“白噪声模型中高斯先验的经验Bayes标度”，电子。《统计学杂志》，1991年至2018年·Zbl 1336.62039号
[451] C.Szegedy、W.Zaremb、I.Sutskever、J.Bruna、D.Erhan、I.Goodfellow和R.Fergus（2014），《神经网络的有趣特性》。arXiv:1312.6199v4
[452] M.F.Tappen（2007），利用变分优化学习马尔可夫随机场。IEEE计算机视觉和模式识别会议（CVPR 2007），第1-8页。
[453] A.Tarantola（2005），模型参数估计的反问题理论和方法，第二版，SIAM·Zbl 1074.65013号
[454] A.Tarantola和B.Valette（1982），“逆向问题=信息探索”，《地球物理学杂志》50，159-170。
[455] S.Tariyal、A.Majumdar、R.Singh和M.Vatsa（2016），“深度词典学习”，IEEE Access4，10096-10109。
[456] U.Tautenhahn（2008），“带噪声右手边和噪声算子的线性不适定问题的正则化”，J.Inverse ill-Pose Problems16，507-523·Zbl 1153.65054号
[457] A.Taylor、J.Hendrickx和F.Glineur（2017），“平滑强凸插值和一阶方法的精确最坏情况性能”，数学。程序161，307-345·Zbl 1359.90098号
[458] M.Thoma（2016），语义分割调查。arXiv公司：1602.06541
[459] R.Tibshirani（1996），“通过套索的回归收缩和选择”，J.Royal Statist。Soc.B58，267-288（社会学）·Zbl 0850.62538号
[460] A.N.Tikhonov（1943），“关于反问题的稳定性”，Dokl。阿卡德。诺克SSSR39195-198。
[461] A.N.Tikhonov（1963），“不正确公式化问题的解决方案和正则化方法”，Dokl。阿卡德。瑙克1511035-1038·Zbl 0141.11001号
[462] A.N.Tikhonov和V.Y.Arsenin（1977），《病态问题的解决方案》，温斯顿·Zbl 0354.65028号
[463] J.Tompson、K.Schlachter、P.Sprechmann和K.Perlin（2017），用卷积网络加速欧拉流体模拟。arXiv:1607.03597v6
[464] A.Traverso，L.Wee，A.Dekker和R.Gillies（2018），“放射特征的重复性和再现性：系统综述”，《放射肿瘤学成像》102，1143-1158。
[465] J.A.Tropp和A.C.Gilbert（2007），“通过正交匹配追踪从随机测量中恢复信号”，IEEE Trans。通知。Theory神学53，4655-4666·Zbl 1288.94022号
[466] G.Uhlmann和A.Vasy（2012），“局部测地X射线变换的逆问题”，《发明》。数学205，83-120·兹比尔1350.53098
[467] D.Ulyanov、A.Vedaldi和V.Lempitsky（2018），《深度图像优先》。IEEE计算机视觉和模式识别会议（CVPR 2018），第9446-9454页。
[468] M.Unser和T.Blu（2000），“分数样条和小波”，SIAM Review42，43-67·Zbl 0940.41004号
[469] K.Valluru、K.Wilson和J.Willmann（2016），“肿瘤的光声成像：转化临床前和早期临床经验”，放射学280，332-349。
[470] C.Van Chung、J.De los Reyes和C.-B.Schönlieb（2017年），“在全变分图像去噪中学习最佳空间相关正则化参数”，反问题33，074005·Zbl 1371.49018号
[471] D.Van Veen、A.Jalal、E.Price、S.Vishwanath和A.G.Dimakis（2018），《深度图像先验和学习正则化的压缩感知》。arXiv:1806.06438号
[472] Y.Vardi、L.Shepp和L.Kaufman（1985），“正电子发射断层成像的统计模型”，J.Amer。统计师。协会80（389），8-20·Zbl 0561.62094号
[473] B.S.Veeling、J.Linmans、J.Winkens、T.Cohen和M.Welling（2018），数字病理学的旋转等变CNN。arXiv:1806.03962
[474] S.V.Venkatakrishnan、C.A.Bouman和B.Wohlberg（2013），基于模型重建的即插即用先验知识。IEEE信号和信息处理全球会议（GlobalSIP 2013），第945-948页。
[475] R.Vidal、J.Bruna、R.Giryes和S.Soatto（2017），《深度学习数学》。arXiv公司：1712.04741
[476] C.Villani（2009年），《最佳交通：新旧》，施普林格大学数学系第338卷·Zbl 1156.53003号
[477] C.Viroli和G.J.McLachlan（2017），深高斯混合模型。arXiv:1711.06929·Zbl 1430.62143号
[478] C.Vogel和T.Pock（2017），低水平视觉问题的原对偶网络。在GCPR 2017：模式识别（V.Roth和T.Vetter，编辑），《计算机科学讲义》第10496卷，施普林格，第189-202页。
[479] G.Wang，J.C.Ye，K.Mueller和J.A.Fessler（2018），“图像重建是机器学习的新前沿”，IEEE Trans。医学成像37，1289-1296。
[480] L.V.Wang（2009），“多尺度光声显微镜和计算机断层扫描”，《自然光子学》3，503-509。
[481] S.Wang、Z.Su、L.Ying、X.Peng、S.Zhu、F.Liang、D.Feng和D.Liang（2016），通过深度学习加速磁共振成像。2016年IEEE第13届国际生物医学成像研讨会（ISBI），第514-517页。
[482] Y.Wang和D.M.Blei（2017），变分贝叶斯的频繁一致性。arXiv:1705.03439·Zbl 1428.62119号
[483] Z.Wang、A.C.Bovik、H.R.Sheikh和E.P.Simoncelli（2004），“图像质量评估：从错误可见性到结构相似性”，IEEE Trans。图像处理.1360-612。
[484] J.Weickert（1998），图像处理中的各向异性扩散，ECMI系列，Teubner·Zbl 0886.68131号
[485] M.Weiler、M.Geiger、M.Welling、W.Boomsma和T.Cohen（2018年），3D可操纵CNN:学习体积数据中的旋转等变特征。arXiv:1807.02547
[486] J.Weizenecker、B.Gleich、J.Rahmer、H.Dahnke和J.Borgert（2009），“三维实时体内磁粉成像”，《物理学》。医学生物学54，L1-L10。
[487] M.Welling和Y.W.Teh（2011），通过随机梯度Langevin动力学进行贝叶斯学习。第28届国际机器学习会议（ICML’11），第681-688页。
[488] M.Welling、S.Osindero和G.E.Hinton（2003），学习学生t分布乘积的稀疏地形表示法。第15届神经信息处理系统国际会议（NIPS’02），麻省理工学院出版社，第1383-1390页。
[489] B.Wohlberg（2014），高效卷积稀疏编码。IEEE声学、语音和信号处理国际会议（ICASSP），第7173-7177页。
[490] J.M.Wolterink、A.M.Dinkla、M.H.F.Savenije、P.R.Seevinck、C.A.T.van den Berg和I.Išgum（2017年），使用未配对数据的深度MR-CT合成。《SASHIMI 2017医学成像模拟与合成》（S.Tsaftaris，eds），计算机科学讲义第10557卷，Springer，第14-23页。
[491] Wu Y.Wu，P.Zhang，H.Shen和H.Zhai（2018），可视化神经网络发展微扰理论。arXiv:1802.03930v2
[492] D.Wu、K.Kim和Q.Li（2018a），CT成像中深度展开网络的计算效率级联训练。arXiv:1810.03999v2
[493] D.Wu，K.Kim，G.E.Fakhri和Q.Li（2017），“人工神经网络训练先验的迭代低剂量CT重建”，IEEE Trans。医学成像362479-2486。
[494] T.Würfl、M.Hoffmann、V.Christlein、K.Breininger、Y.Huang、M.Unberath和A.K.Maier（2018），“深度学习计算机断层扫描：从有限角度问题的图像域学习投影域权重”，IEEE Trans。医学成像37，1454-1463。
[495] J.Xia和L.V.Wang（2014），“小型动物全身光声层析成像：综述”，IEEE Trans。生物医学工程611380-1389。
[496] J.Xie，L.Xu和E.Chen（2012），图像去噪和深度神经网络修复。《神经信息处理系统进展》25（NIPS 2012）（F.Pereira，eds），Curran Associates，第341-349页。
[497] Q.Xu，H.Yu，X.Mou，L.Zhang，J.Hsieh和G.Wang（2012），“通过字典学习进行低剂量X射线CT重建”，IEEE Trans。医学影像31682-1697。
[498] B.Yang，L.Ying和J.Tang（2018a），“人工神经网络增强贝叶斯PET图像重建”，IEEE Trans。医学成像37，1297-1309。
[499] G.Yang、S.Yu、H.Dong、G.Slabaugh、P.L.Dragotti、X.Ye、F.Liu、S.Arridge、J.Keegan、Y.Guo和D.Firmin（2018b），“DAGAN:快速压缩传感MRI重建的深度去混生成对抗网络”，IEEE Trans。医学成像37，1310-1321。
[500] Q.Yang，P.Yan，Y.Zhang，H.Yu，Y.Shi，X.Mou，M.K.Kalra，Y.Zhang，L.Sun和G.Wang（2018c），“使用具有Wasserstein距离和感知损失的生成对抗网络进行低剂量CT图像去噪”，IEEE Trans。医学成像37，1348-1357。
[501] X.Yang，R.Kwitt，M.Styner和M.Niethammer（2017），“Quicksilver:快速预测图像注册：深度学习方法”，《神经影像》158，378-396。
[502] Y.Yang，J.Sun，H.Li和Z.Xu（2016），《用于压缩传感MRI的深度ADMM-Net》。《神经信息处理系统进展》29（NIPS 2016）（D.D.Lee，eds），Curran Associates，第10-18页。
[503] J.C.Ye、Y.S.Han和E.Cha（2018），“深度卷积框架：反问题的一般深度学习”，SIAM J.Imaging Sci.112991-1048·Zbl 1401.94024号
[504] S.Ye、S.Ravishankar、Y.Long和J.A.Fessler（2018b），SPULTRA：联合统计和学习图像模型的低剂量CT图像重建。arXiv:1808.08791v2
[505] J.Yoo、S.Sabir、D.Heo、K.H.Kim、A.Wahab、Y.Choi、S.-I.Lee、E.Y.Chae、H.H.Kin、Y.M.Bae、Y.W-Choi，S.Cho和J.C.Ye（2017），深度学习可以逆转漫反射光学层析成像的光子迁移。arXiv:1712.00912
[506] C.You、G.Li、Y.Zhang、X.Zhan、H.Shan、S.Ju、Z.Zhao、Z.Zhang、W.Cong、M.W.Vannier、P.K.Saha和G.Wang（2018a），受相同、残差和循环学习集成（GAN-CIRCLE）约束的CT超分辨率GAN。arXiv:1808.04256v3
[507] C.You，Q.Yang，H.Shan，L.Gjesteby，G.Li，S.Ju，Z.Zhang，Z.赵，Y.Zhang，W.Cong和G.Wang（2018b），“用于低剂量CT去噪的结构敏感多尺度深度神经网络”，IEEE Access6，41839-41855。
[508] J.You和G.L.Zeng（2007），“基于希尔伯特变换的扇束CT全扫描和部分扫描FBP算法”，IEEE Trans。医学成像26190-199。
[509] E.Y.Yu、M.Bishop、B.Zheng、R.M.Ferguson、A.P.Khandhar、S.J.Kemp、K.M.Krishnan、P.W.Goodwill和S.M.Conolly（2017），“磁粉成像：用于癌症检测的新型体内成像平台”，《纳米信件》17，1648-1654。
[510] M.D.Zeiler、D.Krishnan、G.W.Taylor和R.Fergus（2010），《非卷积网络》。IEEE计算机视觉和模式识别会议（CVPR 2010），第2528-2535页。
[511] C.Zhang、T.Zhang，M.Li，C.Peng，Z.Liu和J.Zheng（2016），“利用迭代加权最小二乘法通过L1字典学习正则化进行低剂量CT重建”，生物医学。工程在线15、66。
[512] Y.Zhang和H.Yu（2018），“基于卷积神经网络的X射线CT金属伪影减少”，IEEE Trans。医学成像37，1370-1381。
[513] Z.Zhang，X.Liang，X.Dong，Y.Xie和G.Cao（2018），“基于密度和反褶积相结合的稀疏视图CT重建方法”，IEEE Trans。医学成像37，1407-1417。
[514] C.Zhao、J.Zhang、R.Wang和W.Gao（2018a），“CREAM:CNN-REgularized ADMM framework for compressive-sense image reconstruction”，IEEE Access6，76838-76853。
[515] J.Zhao，Z.Chen，L.Zhang，X.Jin（2016），基于深度学习的Few-view CT重建方法。2016年IEEE核科学研讨会、医学成像会议和室温半导体探测器研讨会（NSS/MIC/RTSD）。
[516] R.Zhao，Y.Hu，J.Dotzel，C.D.Sa和Z.Zhang（2018），使用酉群卷积构建高效深层神经网络。arXiv:1811.07755
[517] X.Zheng，S.Ravishankar，Y.Long和J.A.Fessler（2018），“PWLS-ULTRA：低剂量3D CT图像重建的有效聚类和基于学习的方法”，IEEE Trans。医学成像37，1498-1510。
[518] Y.Zhou，J.Yao和L.V.Wang（2016），“光声层析成像教程”，J.生物医学光学21，061007。
[519] B.Zhu、J.Z.Liu、S.F.Cauley、B.R.Rosen和M.S.Rosen（2018），“通过域转换流形学习进行图像重建”，Nature555，487-492。
[520] H.Zhu、G.Leus和G.B.Giannakis（2011），“扰动压缩采样的稀疏性认知总最小二乘”，IEEE Trans。信号处理。592002-2016·兹比尔1392.94741
[521] S.C.Zhu，Y.Wu和D.Mumford（1998），“滤波器、随机场和最大熵（框架）：走向纹理建模的统一理论”，国际。J.计算。愿景27107-126。
[522] D.Zoran和Y.Weiss（2011），从自然图像补丁的学习模型到整体图像恢复。IEEE国际计算机视觉会议（ICCV 2011），第479-486页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。