梯度正则化深度学习恢复近视图像

2026年10月15日，arXiv Computer Vision 刊出 Kebin Contreras 等人的研究，提出一种基于 U-Net 的深度学习方法，用于近视视觉图像恢复。该工作通过训练神经网络抵消由二阶 Zernike 多项式 Z_2^0 建模的散焦像差，为固定距离近视者生成增强清晰度的变换图像。方法在 KITTI 数据集上训练，在 DIV2K 和 ImageNet 上测试，损失函数结合重建误差最小化与 ℓ1 正则化的空间差异结构保持。报道称其目标是解决此前方法的局限，使固定距离近视者能感知更清晰的场景。目前进展停留在方法提出与数据集实验阶段，尚无临床应用或产品化信息。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。