本研究提出了一种深度弃权分类器（IDAC），旨在解决图像基础的诊断决策支持系统中的标签噪声问题。IDAC通过集成噪声水平估计，展现出比传统分类器更强的噪声鲁棒性，为开发准确可靠的诊断系统提供了新工具。

本研究提出了一种基于CBM3D滤波的多尺度梯度融合方法，旨在解决彩色图像边缘检测中的细节损失问题。实验结果表明，该方法在噪声鲁棒性和边缘质量方面优于传统技术。

该研究提出了一种高效的实时卷积神经网络（CNN）用于滚动轴承故障诊断，具有噪声鲁棒性和实时处理能力。通过Fisher频谱可分离性分析，模型精度提高15.8%，在不同噪声和转速条件下表现优异。研究强调振动数据在故障分类中的重要性，并探讨了模型开发的实际应用。

本文提出了一种新的相位恢复框架，利用深度生成神经网络建模自然信号，优化经验风险目标。该方法在稀疏性和噪声鲁棒性方面优于传统方法，并探讨了相位恢复的稳定性、唯一性及其实际应用的有效性。研究中还提出了多种算法，包括基于中值的相位恢复算法，能够处理稀疏异常值数据。

本文综述测试时间自适应（TTA）方法，覆盖视觉语言导航、图像分割、自动驾驶、3D医学图像和声学模型等领域。研究提出FSTTA、AR-TTA、SoTTA、GRoTTA等方法，旨在解决模型适应性与稳定性的困境，提升噪声鲁棒性，减少内存占用，防止灾难性遗忘，并在动态场景中实现快速自适应与稳定性能。

该文综述深度学习在相位恢复中的应用，涵盖预处理、处理和后处理阶段及相位图像处理，介绍prDeep、DIP、RED、PRUNe等算法，结合物理知识与神经网络提升噪声鲁棒性、泛化能力和重建质量，实现低光强下快速准确成像，并展望提高可靠性与效率的方向。

该文综述点云法线估计与表面重建的研究进展：Tensorformer提升局部几何建模与重建质量，ShapeNet上IOU提升4%；基于图神经网络与自适应各向异性核的法线估计无需预处理，速度与参数效率领先同类两个数量级；深度神经网络降低法向量估计误差；加权法线回归结合对比学习增强噪声鲁棒性；卷积网络用于单图像法线预测；神经梯度函数学习直接估计定向法线；NoiseTrans基于Transformer编码器实现点云去噪；特征保留法线估计用于点云过滤；AdaFit在噪声与密度变化下实现强健法线估计；SHS通过学习带符号超曲面提升定向法线精度。

该文章提出了残差超维计算框架，结合残差数系统和高维向量代数，能更有效地处理数值数据，表现出良好的噪声鲁棒性。该框架还提供了关于脑中网格细胞计算操作的可能解释，并提出了新的机器学习架构。

本文介绍了一种基于图神经网络的知识桥接学习方法（KBL），用于解决深度学习模型中数据需求过大的问题。通过构建桥接图和知识传递，KBL方法不受强假设限制且对源数据的噪声具有鲁棒性。实验证明，在有限数据场景中，Bridged-GNN方法显著提升了性能。