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。

本文提出了一种基于交叉注意力的深度学习模型，旨在提升人物图像合成的控制能力和精确性。该模型通过自我关注编码源外观，利用交叉注意力计算源语义风格与目标姿势的相关性，实现颜色和纹理的转移，并通过目标分割映射确保图像清晰度。该方法在姿势传输和虚拟试衣场景中表现优异。

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。

我们提出了一个名为INFINITY的深度学习模型，用于处理数值设计中的模拟模型问题。实验结果表明，该模型能够准确推断整个体和表面的物理场，并在设计探索和形状优化等领域具有适用性。

本文介绍了解决单图像深度估计问题的新方法，通过结合文本到图像扩散模型和深度感知控制，生成高质量图像并包含挑战性场景和深度信息。通过自蒸馏协议微调单目深度网络，证明了该方法的有效性和多功能性。

该研究提出了一种几何到流场扩散模型，利用障碍物形状预测障碍物后的流场。通过可学习的马尔可夫转移核函数，从高斯分布中恢复数据分布。实验结果表明，该模型在预测瞬时流场和处理复杂几何形状方面优于传统的CNN模型。

机器学习在流体动力学中的应用越来越普遍，特别是在解决偏微分方程的正反问题方面。研究人员提出了一种物理启发的残差扩散模型，能够提高数据质量和准确性。实验结果表明，该模型能够有效地重建二维湍流的高质量结果。

降阶建模技术利用自动编码器神经网络学习非线性动力系统的低维流形。提出了动力学感知成本函数和非线性投影框架构建计算高效的降阶模型的技术。案例研究涉及涡街现象。

该研究介绍了一种新方法，利用深度学习模型从颈动脉进行非侵入性计算，并应用 PV 校正，以消除对侵入性动脉采样的需求。该方法成功定位癫痫起始区，为临床疗效的取得做出了贡献，患者在治疗后达到了无癫痫发作的状态。

本文介绍了一种新型湍流数据重建方法，利用监督式机器学习技术和卷积神经网络的多尺度模型，从粗略的空间和时间数据中恢复高分辨率的湍流流场。该方法在不同流场中得到了验证，能够满足多种流场重建的需求。

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。