何恺明团队提出了一种新方法，将去噪技术与哈密顿神经网络结合，克服了传统机器学习在物理问题上的局限。该方法通过Block-wise哈密顿量设计和掩码建模策略，提升了模型在正向模拟、表征学习和轨迹插值任务中的准确性和鲁棒性。

本文介绍了一种基于数据的类特定扩散函数，旨在提高分类器的性能和准确性。研究提出的层级分支扩散模型在多类别生成问题中表现出更高的效率和可解释性。此外，结合文本和图像的生成分类方法在零样本分类中表现优异，利用去噪技术进一步提升了分类器的性能，展示了扩散模型在图像分类和生成任务中的广泛应用潜力。

本研究探讨了基于生成对抗网络（GAN）的低剂量CT去噪技术，旨在解决辐射暴露与图像质量之间的矛盾，展示了GAN在精准医学中的潜力及其临床应用的关键发现。

本文介绍了多种视频和图像去噪技术，包括基于递归全卷积网络、卷积神经网络和Transformer的方法。这些技术在低光条件下表现优异，能够有效降噪、色彩校正和增强图像质量，同时提出了新型网络架构和数据集，显著提高了去噪性能和计算效率。

本文提出了一种基于共享动态的时序数据因果发现框架，能够有效识别样本间的因果关系，并处理噪声和混淆问题。介绍了集成去噪技术和自举置信区间自动识别动力学定律的方法，以及结合学习方法研究加速方法的综合框架。此外，还探讨了在无专家输入情况下独立发现方程的工具，以及利用深度神经网络识别非线性动态系统的方法。

该研究评估了在恶劣条件下，非学习和基于学习的远程光电容积法（rPPG）技术的表现，结果显示准确率下降，建议使用去噪和修复技术以提高心率估计的鲁棒性。研究强调了皮肤色调多样性对模型训练的重要性，并提出的两阶段信号恢复方法在压缩视频上表现优异，有效改善了非接触心率监测的准确性。

本文提出了一种新型局部统计变分主动轮廓模型，专门用于分割受乘性伽马噪声影响的图像。该模型结合多种去噪技术，能够有效检测图像边界，并在多个医学数据集上表现优越。通过快速固定点算法，模型在鲁棒性和效率上优于现有技术。