本研究提出了一种新方法，通过扩散和流动生成3D暗物质密度场，成功复现物质功率谱和双谱，降低了计算成本，推动了重力标准偏差的研究。

研究人员修改密度场以实现薄结构的重建，采用离散不透明度网格表示和多条光线的像素投射来抗锯齿。通过基于融合的网格化策略，实现了紧凑网格和高质量的视角合成，能够在移动设备上实时渲染。

本研究展示了利用深度学习方法从密度场测量宇宙学参数的潜力，重点是提取非高斯信息。使用弱引力透镜质量图像作为数据集，设计和实现了一个深度卷积神经网络，学习宇宙学模型与生成的质量图之间的关系，并与非高斯统计方法进行比较。结果表明该方法在高噪声环境下高效率，并可应用于实际弱引力透镜数据的分析。