本研究提出了一种基于LLaVA的高效语义通信框架，通过优化图像切片和用户注意力，显著提高了低信噪比环境下用户与云服务器的交互效率、准确性和资源利用率。

通过知识蒸馏技术，提出了一种新的两步法来压缩Tiny语音增强模型，该方法在高压缩和低信噪比条件下表现出显著改进，信噪失真比分别提高了0.9dB和1.1dB。

本文介绍了一种新方法DART，通过结合静态和动态脑网络进行脑功能分析，提高性能和可解释性，解决低信噪比问题，为预测提供洞察。DRAT在神经影像研究中展示出有希望的方向，有助于理解脑机构和神经回路的作用。

本文介绍了一种名为ACE-HetEM的无监督深度学习架构，可在低信噪比和未知姿态条件下从2D图像中重建三维结构，并实现构象分类和姿态估计的解耦。模拟实验结果显示，ACE-HetEM在姿态估计方面准确性可比，重建分辨率高于非摊销方法，适用于真实实验数据集。