麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员通过扫描成千上万对图像（投影）来训练CNN--一种质量低，另一个是模糊图片的来源（信号）。神经网络通过学习像素图案和创建它们的方式，基本上可以使用这些信息来反向工程模糊效果。

CNN的另一部分叫做“变分自动编码器”，它分析输出并评估网络与信号的匹配程度。然后，它创建了一个“蓝图”告诉AI如何从一个投影到所有可能的匹配源。当给出一幅新的图像时，CNN会检查像素图案，并使用蓝图来找出每一个可能造成模糊的信号。从那里，它结合数据创建一个“高维”副本。

"如果我们可以将X射线转换为CT扫描，那么这将会有一定程度的改变。"

例如，在显示汽车超速的视频中，您可能会告诉汽车是红色的，而不是其他的。视觉反投影模型可以拍摄镜头并创建足够清晰的再现，以识别制作和模型。

这篇论文的主要作者，CSAIL的博士后GuhaBalakrishnan说：“我们能够恢复这个细节就像魔法一样。”

例如，研究人员对医疗领域所做的事情感到更兴奋。他们认为，该技术可以用于创建类似于来自X射线的CTS的3D扫描。由于MRI和CT机器非常昂贵，这种突破可以显著地降低成本。软件能够从诸如x射线之类的低信息图像重建高信息图像，其相对便宜。

Balakrishnan说：“如果我们能将X光转换成CT扫描，那将在一定程度上改变游戏规则。”“你只需拍一张X光片，把它推到我们的算法中，就能看到所有丢失的信息。”