图像金字塔通过高斯模糊和下采样生成不同分辨率的图像，主要操作包括降采样（pyrDown）和升采样（pyrUp），广泛应用于图像压缩和特征提取等领域。

本研究提出了一种轻量级方法——重写样本化MLP（RSMLP），用于处理不完整话语重写任务。通过下采样策略提取潜在语义信息，从而提升理解能力。实验结果表明，RSMLP在数据集和实际应用中表现优异。

本文介绍了一种基于傅里叶神经算子的下采样方法，能够在低分辨率模拟数据上实现零样本升采样，效果优于现有模型。研究评估了该方法在气候和Navier-Stokes方程解数据上的表现，显示其在单分辨率下采样和零样本上采样方面的优势，并探讨了生成模型在气象数据降尺度中的应用，强调了深度学习在应对气候变化中的潜力。

本文提出了一种基于关键帧的自注意力机制和下采样机制的方法，显著降低了Conformer模型的计算复杂度并提高了性能。该方法在训练和推断中可丢弃超过60%的无用帧，加速推断速度。实验结果表明，该架构在LibriSpeech数据集上优于传统Conformer，具有更快的速度和更少的参数。

池化层是一种先验的下采样方式，步长为2的卷积层的参数是通过学习得到的，采样规则不确定。