本研究提出了StructGS，通过补丁基础的结构相似性损失、动态球面谐波初始化和多尺度残差网络，解决了3D高斯点云技术的不足，显著提高了细节捕捉能力，支持从低分辨率生成高分辨率渲染，实验结果显示其渲染质量优于现有模型。

本研究提出了一种新算法S-LISTA，旨在提高单快照多维谐波检索的准确性和能效，能效提升近五倍，尽管性能略有下降。

本研究提出了一种综合流程，用于处理睡眠呼吸暂停检测中的缺失或嘈杂模态。该模型在不同数据子集和噪声水平下表现优异，尤其在高噪声或缺失情况下，AUROC超过0.9。

LMPHNN 是一种基于 KNN 算法的分类器，通过利用谐波平均距离 (HMD) 来改善分类性能，在小样本量或异常值方面具有较低的敏感性。

本文提出了一种基于隐性半马尔可夫模型的无监督学习的谐波分析方法，通过引入和弦质量模板和自动学习其他概率分布，该方法在谐波分析方面具有优势，同时不需要昂贵的标记数据或规则详细说明。此外，还展示了基于马尔可夫模型的状态转移概率如何实现无先验知识下的基音识别。

本文提出了一种新的语义对应估计方法，将自监督特征与三维理解相结合，通过弱几何球面先验进行补充。实验证明该方法能够在许多物体类别上区分对称视图和重复部分，并且能够推广到未见类别。

该研究通过结合机器人的环境感知和行为规划，实现了日常任务中的协调性行为。方法在模拟和真实环境中验证有效，适应新颖未知环境，无需额外调优。

在该研究中，我们开发了新颖的算法结构，用于在球面数据和旋转群中加速和可微分计算广义傅立叶变换，包括球谐变换和 Wigner 变换。通过紧密耦合可分离的球面变换，结合混合自动和手动微分方法计算梯度，我们在 JAX 可微分编程框架中实现了这些算法。我们的方法在不同的球面采样方法上进行了支持，并具有出色的计算准确性和可伸缩性，达到了前所未有的线性时间复杂度。

研究团队开发了一个创新的三维分割网络 DEFN，结合多个创新模块，能够精确地重建和定量指标，为眼科医生带来革命性的诊断和治疗决策工具，预计彻底改变难治性黄斑变性的诊断和治疗模式。

本文研究了DNN在降噪训练中的学习能力，通过逆扩散算法生成高质量样本，证明DNN可以学习高维密度。研究表明，DNN架构和训练算法中的归纳偏差与数据分布的特性相一致，且在训练于低维流形等图像类别的情况下，这些经过训练的去噪器也会生成几何自适应谐波表示。当在已知最优基础为几何自适应谐波的常规图像类别上进行训练时，网络的去噪性能接近最优。

本文介绍了谐波控制 Lyapunov 屏障函数解决受限控制问题，通过谐函数满足的最大原理编码控制 Lyapunov 屏障函数的性质。数值结果表明，谐波 CLBF 可显著降低进入不安全区域的风险，并具有高概率进入目标区域。

FastFit是一种新型神经声码器架构，使用多个短时傅里叶变换来替换编码器，实现更快的生成速度，同时保持高音质。经过客观和主观评估，证明该模型提高了近两倍的基准迭代声码器的生成速度，且在多说话人和零-shot文本到语音等评估场景中，FastFit产生了与其他基线模型类似的音质。