本研究针对现有遍历覆盖方法受限于控制合成中可用的遍历度量的不足问题，提出了一种新的基于流场匹配的遍历覆盖方法。研究表明，该方法利用生成推断技术能够克服现有方法的局限，改善了对非平滑分布和不规则支持的覆盖性能，并在不同的非线性动力学中展示了显著的性能提升和计算效率。

本研究提出了一种改进的多保真度深度操作网络（DeepONet）框架，旨在高效预测时空流场。通过优化网络结构和引入时序位置编码，模型在降低数据需求的同时，提高了预测准确性和训练效率。

本文介绍了一种可微分全局流本地注意力框架，用于姿势引导的人体图像生成。该模型通过预测流场和提取特征图中的局部补丁，生成高质量的人体图像，实验结果表明其优于传统方法，适用于多种空间变换任务。

本研究解决了从有限传感器数据重建流场的挑战，尤其是在测量运算符常常不良且不可逆的情况下。提出的FLRNet用变分自编码器和傅里叶特征层对流场进行稀疏传感器测量的重建，使得重建结果在多种流动条件和传感器配置下具备较强的准确性和鲁棒性。

本研究提出了一种图注意卷积网络（GACN），旨在解决在时间变化几何条件下从稀疏数据重构流场的难题。实验结果表明，该模型在大流场重构任务中表现优异，重构误差低，能够更好地捕捉细微湍流。

本文介绍了多种基于深度学习的CFD模型，如DeepCFD、CFDNet和INFINITY，旨在加速流场预测和优化气动设计。这些模型利用卷积神经网络和图神经网络等技术，提高了计算效率和准确性，适用于复杂几何形状和高雷诺数条件下的流体模拟。

本文介绍了一种新的自监督深度估计框架MonoDiffusion，通过伪真实数据生成和蒸馏损失提高去噪能力。该模型在KITTI和Make3D数据集上表现优于现有方法，并提出多种创新技术以提升模型在挑战性环境下的鲁棒性和性能。

本文探讨了利用扩散模型生成动态城市流量的方法，结合城市知识图和增强模型，展示了在无历史流量数据情况下的优越性。研究表明，该模型能够有效重建二维湍流，并在流场预测中实现高准确度和快速计算，具有广泛的应用潜力。

本文提出了一种混合反向 PDE 网络，结合深度神经网络与偏微分方程，解决数据中的未知字段问题。通过自编码器和物理约束，提升了模型在泊松问题及 Burgers 方程中的表现。研究还探讨了基于扩散模型的生成方法，展示了其在神经算子中的优势，提升了数据质量和泛化能力。实验结果表明，所提方法在多个真实动力系统中优于现有技术。

本研究结合自动编码器与生成对抗网络，提出了一种新方法以降低空气动力学预测的时间与成本。通过图卷积自编码器和深度学习技术，实现了对复杂流体动力学问题的高效建模与降维，展现出良好的泛化能力和计算效率。

该文综述深度学习在血流动力学与心脏建模中的应用，包括：用CCTA图像预测冠脉血流分布，HybridVNet从CMR生成高保真网格，无创计算颈动脉血流并定位癫痫灶，自动生成薄壁心脏模型，Vox2Cortex-Flow重建皮层表面，COPDFlowNet生成气道流场，以及PointNet与DeepCFD实现快速流场预测，较传统CFD提速数百倍。

本文综述了超分辨率技术在多领域的进展，包括SwinFSR用于立体图像、FS-NCSR提升图像细节、BurstSR对齐多帧、PSRFlow量化科学数据不确定性、FFEINR增强流场时空分辨率、SRFlow学习条件分布。机器学习也被用于流场重构，无需高分辨率标签即可降噪并提升分辨率，CNN与DSC/MS模型可从低分辨率数据重建高分辨率流场。

该文介绍了一种利用机载摄像头和卫星图像的细粒度室外机器人自定位方法，能够提高动态环境下的感知能力。该方法采用空间嵌入方法，能够实现低于0.5米的中位空间准确性误差和小于2度的中位方向准确性误差。在实验中，该方法优于现有的最先进方法。