GPT-5.2在粒子物理学中推翻了几十年的教科书结论，发现特定条件下胶子散射振幅不为零。研究团队通过AI推导出关键公式，并在12小时内验证其正确性。这一成果为基础科学提供了新思路，可能引导后续研究。

本研究提出了一种新的4D高斯散射框架Deblur4DGS，旨在提升现有4D重建方法在模糊视频处理中的效果。通过将动态表示的估计转化为曝光时间的估计，实验证明该方法优于现有技术，具有广泛的应用潜力。

本文针对传统无人机在反向散射通信中因使用固定位置全向天线而导致的数据采集时间过长的问题，提出了一种装备可移动天线的无人机方案。通过增强信道增益和优化无人机轨迹及天线方向，采用深度强化学习策略，显著减少了数据收集时间和能耗，显示出该方法的有效性和优越性。

本研究提出了一种全映射的方法，解决了文本到运动生成中的开放词汇问题，通过引入原子运动和文本分解，显著提升了运动生成的泛化能力。

本文介绍了GaussianShader方法，通过在三维高斯函数上应用简化着色函数，提升神经渲染效果。新颖的法线估计框架和设计的损失函数使法线与高斯球几何一致。实验表明，该方法在效率和视觉质量上取得平衡，优化时间比Ref-NeRF显著缩短，并在镜面对象数据集上提高了峰值信噪比。

GauStudio是一个模块化框架，用于3D高斯飞溅建模，提供即插即用组件，便于定制流程。其混合高斯表示方法减少了户外场景伪影，改善新视角合成，实现高保真网格重建，无需微调。整体提升了建模和渲染能力。

本研究提出了一种新方法，通过结合双树复小波变换和卷积神经网络，利用低级噪声分析有效检测和定位数字图像修复区域。通过纹理分割和噪声方差估计的创新结合，提高了检测精度，优于现有技术。

本文提出了一种新的网络结构，利用感知偏差照明和完整图像建模来解决低光照图像增强问题。通过伽马校正与深度网络相结合，能够自适应地感知偏离的照明并学习校正因子伽马。实验证明该方法优于现有方法。

本研究解决了稳定扩散模型生成的X射线散射图像中出现的不真实伪影问题。通过结合人类审核的生成图像与实验图像的数据集，训练计算机视觉模型以检测这些伪影，并借助专家审查和改进分类器，最终实现高保真度领域特定图像的生成。研究结果显示，生成性人工智能在科学研究设施的数据增强和数字双胞胎的发展中具有潜在的重要影响。

GaussianAvatar是一种高效的方法，可以从单个视频中创建具有动态3D外观的逼真人类化身。它使用可动画化的3D高斯函数来表示不同姿势和服装风格的人类，并通过动态外观网络和可优化特征张量来学习运动到外观的映射。该方法在公共数据集和收集数据集上得到验证，展示了其在外观质量和渲染效率方面的优越性能。

本文提出GS-ID框架，针对高斯散射中的光照分解问题，解决了几何和材料先验不足、多个未知光源的复杂光照条件以及高计算开销等挑战。通过引入内在扩散先验和联合优化环境光和直接光的分离，该框架实现了可控的光照重塑，展现出优越的光照分解效果、几何重建及渲染性能。

通过使用连续的隐式表示方法，本研究针对电磁逆散射问题提出了一种新的方法，以解决离散化时出现的低分辨率问题，并在前向框架中优化该隐式表示，从而克服了逆估计所带来的挑战。该方法在标准基准数据集上优于现有方法。

通过结合SfP的偏振线索和PMD的几何信息，提出了一种测量原理，可以准确解码高光面反射的光场中的信息，并解决3D测量中的歧义问题。该方法改进了测量结果，验证了在复杂形状的高光表面上通过单次和多次拍摄的测量手段，表面法线的精度在0.6°以下。

提出了一种新颖的VBIM-Net来解决全波散射问题，通过多层子网络交替更新总电场和对比度，并嵌入对比度变化计算。VBIM-Net的损失函数监督每层输出的总场和对比度，保证子网络变量的物理可解释性。通过设计带噪声的训练方案增强模型稳定性。数值结果验证了VBIM-Net的反演质量、泛化能力和鲁棒性，为场类型深度学习方案提供新灵感。

本研究介绍了一种通过光学系统记录和识别大气散射介质中微弱物体的全面模型。模拟结果与实验结果一致，揭示了利用光学成像的物理极限。该研究应用了多帧平均降噪技术，提升了大气中光学成像的能力。

本研究使用物理信息神经网络（PINNs）解决了半无限波导的散射问题。通过改进模型学习能力和加速训练过程，提出了亥姆霍兹边界值问题（BVP）的等效公式。

介绍了StreakNet-Arch信号处理架构，用于水下LiDAR-Radar成像系统。通过自注意力网络和双分支交叉注意力机制实现实时图像获取和学习带通滤波器的方法。提供了暗管摄像机图片数据集，提高了UCLR的性能和适用性。

本文介绍了一个针对有限孔径下逆障碍散射问题的深度学习方法，通过提供与散射模型相关的物理算子给神经网络架构来实现深度学习在逆问题上无需标记数据并且具有学习意识的可能性。DDM 是一种具有解释性特性的物理意识机器学习技术，已从理论上证明其收敛性。数值实验展示了即使入射和观测孔径极其有限，DDM 仍然有效。

这篇研究论文介绍了在凝聚态物理学中，弥合扩散 X 射线或中子散射测量与基于原子对势的预测结构之间的差距的挑战，并探讨了机器学习在解决这一问题上的应用，结果表明这一新的模型在跨越传统类经典原子间势的限制上具有潜力。

最近几年，引入了一系列基于神经网络的图像渲染方法。其中，被广泛研究的神经辐射场（NeRF）依靠神经网络来表示三维场景，可以从少量的二维图像中合成逼真的视图。然而，大多数 NeRF 模型在训练和推理时间上都受到限制。相比之下，高斯喷洒（GS）是一种新颖的、领先技术的渲染点的技术，通过高斯分布来近似它们对图像像素的贡献，从而保证快速训练和实时渲染。GS...