本研究提出物理信息高斯（PIG）方法，以提高神经网络在近似偏微分方程（PDE）时的准确性。该方法结合高斯函数特征嵌入与轻量级神经网络，动态调整均值和方差，从而增强PDE解的逼近效果。实验结果表明，该方法在多种PDE问题上表现优异。

本文介绍了一种基于高斯函数的三维分割和重建方法，利用二维分割图指导三维高斯语义信息学习，提出了SA-GS和SAGA等新方法，显著提高了三维对象的分割精度和速度。

本文介绍了GaussianShader方法，通过三维高斯函数提升神经渲染效果，尤其在反射表面场景中。该方法加速了优化时间，并在视觉质量上超越了现有技术。此外，研究提出了实时去模糊框架和高斯方向编码，以改善复杂场景的渲染效果，展示了在高光反射建模中的优势。