本研究提出了一种名为CapsFake的多模态胶囊网络，用于检测指令驱动的深伪造图像。该技术通过结合视觉、文本和频谱信息，显著提高了检测准确率，比现有方法提升了20%。

本研究提出了一种新型CAD-Unet深度网络架构，结合胶囊网络，有效解决COVID-19肺部感染CT图像分割问题，显著提高了分割精度，实验结果优于现有方法，具有临床应用潜力。

该论文探讨了胶囊网络（CapsNets）的潜力，重点研究路由算法、第一层胶囊提取和关系学习，并展示其在无人机定位、数据集旋转预测和医学成像中的应用，推动计算机视觉的发展。

本研究将图神经网络与胶囊网络相结合，提出了一种创新方法，用于增强皮肤损伤图像分类的性能。结果显示该方法在克服分类挑战方面具有潜力，并推动了皮肤科基于图像的诊断的发展。

本文研究了胶囊网络的效率问题，使用160K个参数和高度并行可处理路由的架构，在三个数据集上取得了最先进的结果，并开发了一种新的非迭代路由算法。实验证明了该方法的有效性和胶囊网络嵌入更易于泛化的视觉表示的能力。