本文提出了一种高效的光流方法，通过轻量的主干网络和快速细化模块实现实时高精度光流估计。模型在保证准确性的同时，速度提升10到70倍，能够在Jetson Orin Nano上以超过20帧每秒的速度处理图像。

我们提出了一种新型的深度运算符网络架构，即集合DeepONet，通过多个主干网络来提高表达能力和泛化能力。我们还提出了一种空间专家混合DeepONet主干网络架构，利用单位划分近似来促进空间局部性和模型稀疏性。实验证明，集合DeepONet在运算符学习问题上相对于标准DeepONet和POD-DeepONet具有更低的相对l2误差。这些新的架构为科学机器学习中的运算符学习提供了强大而通用的框架。

本研究发现，在连续学习中，使用ERK初始化在低稀疏度下更有效利用主干网络，而在高稀疏度下使用均匀初始化更可靠。增长策略的性能取决于初始化策略和稀疏度程度。适应性是提升连续学习效果的有希望的方法。