机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究解决了高光谱图像因高维性带来的分类挑战，提出了一种名为HyperspectralMAE的Transformer基础模型，通过双重掩码策略在预训练中随机遮挡空间块和光谱带，促使模型学习跨维度重建缺失信息的能力。研究表明，该模型在Indian Pines基准上的转移学习准确度达到了最先进水平，验证了双重掩码和波长感知嵌入对高光谱图像重建及其后续分析的重要性。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

该研究提出了一种傅里叶谱神经网络（FourierSpecNet），结合傅里叶谱方法与深度学习，旨在解决玻尔兹曼方程在非弹性碰撞和高维速度域中的高计算成本问题。该方法在傅里叶空间中高效近似碰撞算子，具有高准确性并显著降低计算成本，为求解玻尔兹曼方程提供了稳健的替代方案。

本研究针对傅里叶神经算子在学习流体动力学和生物模式形成中的频率偏差问题进行了改进。通过引入并行的局部谱卷积分支和高频传播模块，以及基于径向谱误差的新损失函数，有效提高了模型对多频率成分的学习能力。实验结果表明，该方法在准确度上超过了现有的神经算子基线，具有显著的应用潜力。

本文提出了一种新颖的傅里叶切片-瓦瑟斯坦嵌入方法，能够有效地将多重集嵌入欧几里得空间，保持切片瓦瑟斯坦距离，从而改善多重集的表示效果并提升学习任务的表现。

该文章介绍了一种利用LED阵列和傅里叶拼接技术提高显微镜分辨率的方法。通过捕捉多个图像并进行计算合成，该技术突破了显微镜的物理分辨率限制。文章详细描述了设备设置、图像采集过程及算法，强调高质量光学系统的重要性，并探讨了该技术在不同样本上的应用潜力及前景。

本文研究了在病理图像分析中，核实例分割面临的高成本精确标注问题。我们提出了一种傅里叶引导框架，通过融合先验信息来提升模型对核特征的捕捉能力，同时引入基于引导的实例级对比模块，进一步增强模型特征表现。实验证明，所提模型在弱监督场景下表现接近完全监督，且在未见数据上的泛化能力也很强。

本研究针对现有连续空间-时间视频超分辨率（C-STVSR）方法在处理视频数据复杂性时的不足，提出了一种新框架BF-STVSR。通过引入B样条映射器和傅里叶映射器，该方法有效地提升了视频的空间细节和时间一致性，实现了当前最先进的PSNR和SSIM性能。

本研究提出了一种深度傅里叶嵌入网络（DFENet），利用快速傅里叶变换解决双模态显著目标检测中的计算复杂度和频率差距问题。DFENet通过模态协调感知注意机制和频率分解边缘感知模块，在四个基准数据集上超越了十二个现有模型。

本研究提出了一种新颖的零样本低光照图像增强方法，结合小波和傅里叶频域构建先验信息，有效指导图像生成。实验结果表明，该方法在复杂场景下表现出良好的鲁棒性和有效性。

本文介绍了DiffFNO，一种新颖的扩散框架，旨在解决超分辨率成像中的高频细节重建问题。通过Weighted Fourier Neural Operator和Gated Fusion Mechanism的结合，该框架能够有效捕捉关键频率分量和空间特征，从而显著提升重建效果，并在多个缩放因子下，PSNR指标上超越现有方法，提供了更高的准确性和计算效率。

本文探讨了降水短时预报的深度学习方法，包括卷积LSTM、U-Net模型和空间频率时间相关解耦Transformer等。这些模型在捕捉时空相关性和提高预测准确性方面表现优越，尤其在强降雨事件的预测中效果显著。研究通过新方法和损失函数的应用，提升了降水预测的性能，具有重要的气象科学和智能城市应用价值。

研究表明，LSTM和Transformer语言模型在低概率序列的概率估计上存在不足。通过优化模型大小和训练数据，发现较小模型在位置指示上表现更佳。大语言模型的准确性受任务概率影响，低概率情况下需谨慎使用。论文探讨了提高大型语言模型效率的算法进展，并提出结合信号处理与LLM的新方法，以提升性能和收敛速度。

本文探讨了神经网络在无限维空间与有限维空间之间的映射，提出了多种新方法用于求解偏微分方程（PDE）。研究表明，基于图神经网络的模型在模拟时变PDE方面表现出高效性和良好的泛化能力，尤其在复杂系统的动力学建模中表现突出。新方法如GraphDeepONet和PeFNN在处理无边界微分方程和复杂时空动力学系统时展现了卓越性能。