本研究提出了一种新颖的二次规划增强模型（QPM），旨在提高深度神经网络分类结果的全球可解释性。QPM通过少量特征的二元分配显著提升了模型的可解释性，并在多个数据集上设定了新的准确性标准。

该文介绍了一种基于深度学习的方法，使用10维特征向量表示方向，并应用二次约束二次规划推导出预测的方向作为单位四元数，附加不确定度指标，提出了一种考虑方向之间的成对距离的独特损失函数以提高方法的准确性。该方法在文献中全面评估了编码器网络的设计选择，数值分析证明了该方法在端到端的方式从2D冷冻电子显微镜图像中有效地恢复方向。最后，该方法被打包到一个名为cryo-forum的开发者易于访问的软件套件中。