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。

本研究利用深度学习和卷积神经网络对肺音记录进行呼吸相检测，结果表明算法与专家标注高度一致，适用于呼吸相检测。同时，研究提出了一种基于机器学习的睡眠评估模型，通过监测睡眠声音评估睡眠质量，准确率达到94.8%。此外，研究创新性地应用深度学习对打鼾声进行分类，提升了阻塞性睡眠呼吸暂停的诊断效果。

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。

本文探讨了数据点对模型预测的影响，提出了一种线性回归方法和评估机器学习系统可靠性的新框架，分析了敌对示例现象及其与调和函数的关系。同时，介绍了无监督学习的谐波分析方法，强调提高机器学习模型可靠性的重要性，并提出了检测对抗性攻击的HoneyModels模型。

本文介绍了一种基于视觉陀螺仪的新技术，通过全景图像估计相机姿态，并在不同航空器上进行验证。研究提出了球面卷积网络处理360°全景图像的方法，提高了特征提取的效率和准确性。同时，提出了GyroDeblurNet去模糊方法，利用陀螺传感器信息改善图像质量，并探讨了自我监督学习和物理知识指导的神经网络在图像处理中的应用。

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。

PWM调制通过高频方波近似正弦波，谐波可通过低通滤波器过滤。PWM频率越高，调制比越大，电流越接近正弦波，从而降低电机损耗，但高频也会增加开关损耗。氮化镓材料可提高开关速度。变频器通常使用1kHz至8kHz的频率，以平衡开关损耗与谐波损失。同步调制与异步调制的主要区别在于PWM频率与正弦波频率的关系，前者谐波含量更低。

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。