本文介绍了一种基于深度神经网络和纹理传播的图像修复方法，通过推理和翻译两个步骤实现任务分离，并使用启发式算法指导纹理传播。实验证明，该方法在公共数据集上产生了高质量的视觉结果，优于以前的最先进方法。

研究使用机器学习进行太阳耀斑预测的方法，通过分析历史磁光图数据，利用卷积神经网络提取特征并结合逻辑回归模型进行预测。结果显示历史数据可以提高预测准确性和可靠性，耀斑历史的预测能力大于从磁光图中提取的特征，表明时间信息在耀斑预测中的重要性。

该研究使用机载人工智能技术训练了16种不同模型，实现了高分辨率卫星图像的多类别分割。研究发现，轻量级的深度学习模型在海洋-陆地-云覆盖分割方面性能优于现有的U-Net及其变体，但推理时间较长。轨道内图像分割应该在L1b辐射计校准之后进行，将光谱通道减少到3会降低模型的参数数量和推理时间，但牺牲了分割性能。