Wir stellen IntraTomo vor, einen leistungsstarken Rahmen, der die Vorteile datenbasiertes und modellbasiertes Ansätze vereint, um hochgradig schlecht gestellte inverse Probleme im Kontext der Computertomographie (CT) zu lösen. IntraTomo besteht aus zwei zentralen Modulen: einem neuartigen Sinogrammvorhersagemodul und einem Geometrie-Verfeinerungsmodul, die iterativ angewendet werden. Im ersten Modul wird das unbekannte Dichtefeld als stetige und differenzierbare Funktion dargestellt, die durch ein tiefes neuronales Netzwerk parametrisiert ist. Dieses Netzwerk wird selbstüberwacht aus einem unvollständigen oder/und verminderten Eingabesinogramm gelernt. Nach der Schätzung durch das Sinogrammvorhersagemodul wird das Dichtefeld im zweiten Modul konsistent mittels lokaler und nicht-lokaler geometrischer Priorisierungen verfeinert. Mit diesen beiden zentralen Modulen zeigen wir, dass IntraTomo bestehende Ansätze erheblich übertrifft, insbesondere bei mehreren schlecht gestellten inversen Problemen wie der begrenzten Winkel-Tomographie mit einem Winkelbereich von 45 Grad, der sparsamen Ansichts-Tomographie mit lediglich acht Ansichten oder der Super-Resolution-Tomographie mit einer Achtfach erhöhten Auflösung. Experimente an simulierten und realen Daten belegen, dass unsere Methode Ergebnisse von bisher unerreichter Qualität erzielt.