该研究提出了一种新方法，通过卷积神经网络直接从傅里叶相位显微镜测量中进行图像分类，避免了高计算成本的重建过程。该方法提高了12%的分类性能，减少了数据量和采集时间，同时保持了分类准确性。

近期，我司「七月在线」接到多个B端人形开发订单，计划将idp3作为备选。FFTAI/fourier-lerobot扩展了数据集支持和训练管道，优化了人形机器人开发，新增的脚本和可视化工具提升了Fourier数据集的处理能力。

本研究提出了一种基于傅里叶神经算子(FNO)的晶粒生长建模方法，解决了传统相场建模在大规模和高分辨率系统中的计算耗时问题。该方法具有分辨率不变性，能够有效预测长期演化，并适用于未见过的配置，展现出卓越的准确性。

本文提出了一种新型的基于深度学习的傅里叶神经算子（geo-FNO），用于求解偏微分方程，速度比传统方法快10^5倍，且准确性更高。该方法通过深度学习降噪，将不规则物理空间映射到均匀潜空间，特别适用于快速系数变化的方程。

本文综述了基于等变卷积神经网络的多种算法，包括G-CNN、SE(3)群卷积核、球面卷积和旋转不变小针卷积等，应用于自然图像分类、医学影像分割、断层成像和蛋白质结构预测。这些方法利用旋转与反射对称性，提升了样本效率、泛化能力和计算效率，在多项基准上优于传统CNN。

该文提出了一种新的密度编码方法，通过基于 Fourier 的压缩来适应底层体渲染过程的传递函数特征，从而减少动态模型中的伪影。同时，通过对训练数据的扩充来放松压缩的周期性假设。该方法在合成和真实场景的评估中表现出有效性。

$SU(2)$ has a lot of interesting mathematical and physical properties. In this post we study its irreducible representations in a mathematician's way.

我们常常要看信号的振幅谱来进行分析，那傅里叶变换就必不可少。如果水平不错你可以试着自己写。当然有很多已经写好的包，非常方便，例如这里要讲到的fftw[1]。