近期，天津大学医疗机器人与智能系统研究院开展2022-2023学年度第一学期第四期研究生阅读报告分享会。本期共有3名研究生进行阅读报告分享，汇报内容依次如下：

丁一铭：深度卷积网络已经成为图像生成和恢复的通用工具。一般来说，它们的出色性能归功于它们从大量样本图像中学习真实图像先验的能力。而在本文中，相反的是，证明生成器网络的结构足以将大量的低等级图像统计先验捕获到任意学习中。为了做到这一点，作者展示了一个随机初始化的神经网络可以用作一个手动先验，并且可以在诸如去噪、超分辨率和修补等标准可逆问题上获取很好的性能表现。除了多样化的应用之外，作者的方法突出了标准生成器网络架构所捕获的归纳偏差（inductive bias）。它还弥补了两种通用的图像恢复方法之间的鸿沟，即使用深度卷积网络的基于学习的方法和基于手动图像先验（如自相似性）的无学习方法。

王奕霖：微创手术机器人呈现出的更微创、高精度、小型化、高集成化发展趋势，使微创手术机器人系统设计与集成难度加大，不可避免的要在机器人驱动方式、关节与传动结构设计上进行创新。本文针对单孔腔镜手术的操作环境及操作方式，研制了面向单孔腔镜手术的16自由度机械臂，设计了一种新型的切口式连续型结构，并采用多关节连续型结构作为所设计手术机械臂的位置定位机构。完成了对面向单孔腔镜手术的连续型机械臂系统设计、力学/运动学建模、机构优化设计及迟滞补偿等理论和关键技术进行了研究，建立了连续型机械臂和单孔腔镜手术机械臂实验系统并进行了实验研究。

关佳奇：本文提出了一种基于声信号的手术机器人骨切削深度控制方法，用于实时估计并控制手术机器人的骨切削深度，首先建立了基于声信号的切削深度估计模型，分析了模型参数的影响因素，并通过验证实验降低不同切削过程和运动参数对模型参数的影响。然后对手术机器人的切削深度控制原理和稳定性进行了分析，提出了一种基于声信号的手术机器人骨切削深度控制方法。利用快速傅里叶变换从切削声中提取刀具旋转频率的一次谐波幅度作为反馈量，根据机器人运动参数在线调整模型参数来估计骨切削深度，进而通过PID控制器控制手术机器人的骨切削深度。最后，对所提方法进行了实验验证，对估计精度和安全量程进行了实验评估，并与其他方法进行了对比。所提方法可用于提高手术机器人的骨切削操作的安全性。