本文探讨了图像处理中的损失函数，提出了可微错误函数以提高图像恢复质量。研究介绍了深度残差网络的理论框架和可逆神经网络架构，开发了基于截断展开的分解卷积滤波器（DCFNet），在减少参数的同时保持分类准确性。此外，分析了ResNet的跳跃连接效应，并提出了优化方法以训练更深的网络。

本文介绍了一种基于截断展开的分解卷积滤波器神经网络，可以通过学习扩展系数来减少参数和计算量，同时加强滤波器的规律性。实验证明，DCFNet在减少模型参数的同时，保持了图像分类任务的准确性，尤其是在使用Fourier-Bessel基时效果显著。