本研究提出相位-幅度解耦（PAD）框架，以解决合成孔径雷达与RGB图像在土地覆盖分类中的融合问题，显著提升特征一致性和融合效果。实验结果表明，PAD在遥感多模态融合中表现优异。

本文提出了一种新的广义相位压力控制方法（G2P控制），旨在改善交通信号控制中的交通状态表示问题。该方法基于排队理论，考虑简单车道特征，显著优于现有启发式方法，G2P-XLight算法表现更佳。

本研究针对现有卫星至地球量子密钥分发网络中相位估计的准确性和速度问题，提出了一种基于低复杂度神经网络架构的信号相位误差估计的新方法。研究表明，使用这一方法可以在保持高准确度的同时，显著提升实际CV-QKD系统的实时性能，推动量子互联网的发展。

本文提出了一种相位运动放大方法，通过傅里叶分析视频序列，有效捕捉并放大目标物体的位移和颜色变化，显著提升人眼对微小运动的观察能力。

本研究提出了一种新方法，结合稀疏表示技术与过度完整相位字典，克服了传统波前重建在复杂波前处理中的不足，显著提高了鲁棒性，具有重要应用价值。

该论文提出了一种算法，通过学习最佳相位移位来优化远距离通道模型，验证了其在光学卫星通信中的应用。研究表明，强化学习能够有效降低系统延迟和成本，PPO算法在性能上优于其他策略。此外，论文探讨了数字全息成像、光学编码测量及新型成像技术的潜力，展示了深度学习在相位工程中的应用。

本文介绍了一种基于CTC的全神经网络语音识别器设计方法，评估结果显示其性能优于以往系统。提出的新型层和相位重建策略显著提升了语音增强和合成效率。同时，研究了音频反欺骗技术和新型数据增强方法PhasePerturbation，均有效提高了系统性能。

本文提出了一种基于流形的深度神经网络训练框架，利用切空间和指数映射，提升了多类图像分类和人脸图像回归的性能。同时，研究了神经架构搜索的优化问题，提出几何感知框架，结合梯度下降和正则化，优化计算机视觉中的算法。此外，探讨了神经隐式形状表示和智能反射表面的相位配置算法，展示了其在多种任务中的有效性。

本文提出了一种基于黄昏的夜间场景语义分割方法，利用白天场景训练的模型进行适应。构建了包含3.5万张图像的数据集，实验表明该方法有效，无需额外标注。研究还涉及生成对抗网络和领域自适应网络，提升夜间图像分割性能，取得了先进成果。

使用分散介质的精确和普适的相位重建方法，利用无透镜纤维内窥镜等技术开启了新的透镜纤维内窥镜显微成像视角。

本文探讨了深度学习在肺栓塞诊断中的应用，结合CTPA成像和临床数据，提出多模态融合方法以提高预测准确性。研究表明，深度学习模型在生存率预测方面优于传统方法，并通过对比学习和特征增强技术优化了肺栓塞的自动分割效果，为临床诊断提供了更强大的工具。

本文介绍了基于神经网络的医学影像分析方法，重点在肝脏和肾脏癌症的检测与分割。研究表明，改进的模型使肝脏病变分割性能提高1.6%，并减少了主体间差异。提出的框架能够在不完整的CT图像中有效分类癌症亚型，并在多中心数据集上验证了其临床有效性。此外，新开发的风险标记被视为生存预测的重要因素。

利用神经网络进行密集分析，基于图像配准以及线性方程的构建和求解，实现 ptychography 探针位置的准确预测并对大尺度和累积性位置误差进行有效校正。

通过引入先验内容信息来提高基于马尔可夫随机场的分割方法，优化细胞分割效果。

提出了一种相位聚合的双分支注册网络（PDRNet），通过在高分辨率的相关信息和低分辨率的纹理特征之间引入双分支结构与多阶段交互，在感知局部细微差异的同时保证全局稳定，从而聚合了传统方法和基于深度学习的方法的优势，实验证明了在准确性和鲁棒性上达到了最先进的注册性能，同时在效率上也具有相当的竞争力。