本研究提出了一种基于物理知识的多任务预训练框架（PIM），旨在提高基于惯性传感器的人类活动识别准确性。通过自监督学习利用人体运动的物理特征，实验结果表明该方法在多个数据集上优于现有技术，尤其在少量标签样本中表现出显著的性能提升潜力。

本研究提出了PhysTwin框架，通过结合物理知识与多阶段优化，从稀疏动态视频中重建高保真的虚拟物体副本，提升了重构与仿真效果，适用于机器人运动规划和内容创作等领域。

该研究提出了一种新颖的多尺度学习框架PIMRL，旨在解决传统数值方法在高计算成本和长期预测中产生的误差积累问题。PIMRL通过微尺度模块嵌入物理知识，并利用宏尺度模块进行数据驱动学习，显著提高了预测准确性，平均改进超过9%。

本文提出了一种名为VQLTI的新框架，旨在解决热带气旋强度长期预测的不足。该框架通过增强强度与空间信息的匹配，并结合物理知识，显著降低了预测误差，24至120小时的最大持续风速预测误差减少了35.65%-42.51%。

本研究提出了一种基于物理知识的深度学习方法，解决了系统预测中缺乏明确数学模型的问题，有效分析种群动态，推动跨学科预测模型的发展。

本研究提出了一种新方法，通过潜在物理现象知识训练视频扩散模型，解决了现有模型在捕捉物理知识方面的不足，展现出显著的实际应用潜力。

本文探讨了基于物理知识的神经网络（PINNs）在求解偏微分方程中的应用，提出了一种新方法以发现随机势能介质中的本地化特征。研究表明，PINNs在处理复杂系统时比传统方法更准确高效，尤其在非线性摆系统中表现突出。文章还讨论了PINNs的训练优化及其在实际物理系统中的可行性，并展望了未来的研究方向。

本文介绍了多种水下图像增强（UIE）方法，包括新框架UIEDP和PA-Diff，结合物理知识与深度学习技术提升图像质量。研究显示，内容保留扩散模型（CPDM）和物理感知双流水下图像增强网络（PA-UIENet）在处理水下图像退化方面表现优异，超越现有技术，并通过优化网络和动态更新伪标签显著提高增强效果。

本文探讨了结合物理知识与深度学习的方法，以提高时空预测的准确性和效率。研究内容包括物理辅助的时空网络、超分辨率框架和模块化设计，实验结果表明这些方法在动态系统模拟和高分辨率视频预测中表现优异。

本文探讨了在建筑能源建模中使用基于物理信息的去噪自编码器（PI-DAE）填补缺失数据的方法，强调了物理知识在提高预测可解释性和实际应用性方面的重要性。同时，介绍了结合经典算法与现代神经网络的自动驾驶车辆轨迹预测方法PTNet，展示了其在数据需求和预测准确性上的优势。

利用物理知识驱动的深度学习方法提高了异质固体中参数化偏微分方程的解决效率和预测准确性。通过建立热导率、温度和热流之间的联系，该方法能更准确且更快地预测温度和通量剖面。

研究人员开发了PLATO模型，以理解物理世界。PLATO能够基于对象进行推理，并在28小时的视觉经验后掌握五个物理概念，且在未见过的新对象上也表现良好，显示出其学习直观物理的潜力。