课题组运用非凸正则化和深度学习等方法，提出了有效的自然图像和医学影像的分割模型，并设计了高效的数值算法，实现对于光滑图像的准确分割。如下图所示，课题组提出的高阶正则化方法在17.6T老鼠脑部MR图像的分割问题上，可以更准确的提取完整的脑区轮廓，相关论文发表于IEEE Transactions on Medical Imaging。

课题组提出的基于曲率正则化的分割模型，可以有效地处理自然图像的分割问题，相关工作发表于IEEE International Conference on Computer Vision and Pattern Recognition。

针对CT图像不完备成像问题，课题组提出了有效的重建模型和算法，并运用卷积神经网络建立端到端的可学习化模型。如图所示，我们提出的方法可以有效的减少图像中的伪影现象，相关工作发表于IEEE Transactions on Computational Imaging。

课题组提出了非局部的曲率正则化方法，并应用于CS-MRI重建问题。如图所示，在10%采样率的情况下，我们的结果明显好于SOTA，相关结果发表于Journal of Mathematical Imaging and Vision。

课题组提出了可保持体积、保持非线性的质子弹簧系统，可以用于模拟肝脏等不可压缩的软组织的形变。如下图所示，我们提出的方法已被用于肝脏胆囊的形变仿真过程，相关工作发表于IEEE Journal of Biomedical and Health Informatics，并申请了专利。

课题组运用深度学习模型改进了胰腺、脾脏等小器官的分割精度，并开发了非线性软组织形变模型，用于人体体腔虚拟现实环境，实现了交互式的解剖学教学模式。

通过力反馈装置实现了人机交互