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。

本研究提出了一种新算法，解决了人工量子神经元模型仅能处理离散值的问题，使其能够处理连续值。模拟结果表明，该模型在量子计算机上有效运行，为人工神经网络的实施提供了新方向。

本文研究了光学卫星通信中的自适应光学系统，提出通过强化学习降低系统延迟、体积和成本。与低成本光电二极管互动，开发了AO RL环境以评估性能。实证分析表明，PPO算法优于其他方法，训练后收敛至最大奖励的86％，显示出强化学习在该领域的潜力。

本文介绍了一种名为PhasePerturbation的语音数据增强方法，通过动态调整语音相位谱增加数据多样性。在wav2vec2.0预训练的ASR模型上，使用TIMIT语料微调，词错误率降低10.9％。结合VTLP和SpecAug方法，WER进一步降低12.9％和15.9％，显示了其在增强方法上的有效性。

该研究提出了一种复杂值的几何感知元学习神经网络，用于解决可重构智能表面系统中基站预编码矩阵与RIS元件相位的联合优化问题。实验结果表明，该方法在加权总速率、功耗和收敛速度上均优于现有算法。

本研究提出了一种基于领域自适应网络的夜晚语义分割方法，使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。该方法在Dark Zurich和夜间行车数据集上取得了最先进的夜间语义分割成果。

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。

COVID-19大流行病反应凸显了深度学习方法在通过CT对肺部疾病进行自动分割的潜力。研究使用多态训练优化了一个网络，结合6000多个手动和自动标签的CT扫描，开发了一种用于肺部、气道、肺动脉和肺病变分割的端到端方法。在地面玻璃浑浊度和病变分割方面取得了最先进的性能。提供了一个开源实现的链接。

该研究提出了一个用于肾脏癌症诊断和分类的统一框架，通过合成模型恢复缺失的CT图像，并利用病变级别特征进行癌症分类。实验证明该框架在不完整数据的诊断中比现有技术更有效。

研究人员提出了一种新颖的四元数激活函数，通过修改四元数的幅度或相位来替代常用的分裂激活函数。实验结果表明，影响相位的四元数激活函数在CIFAR-10和SVHN数据集上始终提供更好的性能。

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。