本文提出了一种新型自回归模型，作为有效的单目深度估计器，克服了现有方法的局限性。该模型通过不同分辨率的深度图和自回归目标，在KITTI和NYU Depth v2数据集上显著提升了性能，并实现了最佳RMSE，为深度估计提供了新的思路。

本研究提出WeatherODE模型，通过结合波动方程和时间依赖源模型，解决天气预报中的离散误差问题，显著提升全球和区域天气预报的准确性，RMSE指标优于现有方法。

本研究开发了一种仿真算法，生成接近真实图像的厚层CT图像。使用PSNR和RMSE指标评估，结果显示该方法在PSNR和RMSE方面显著提高。进一步验证并用于训练超分辨率模型，提高性能。

本研究开发了一种仿真算法，生成与真实图像接近的厚层CT图像。使用PSNR和RMSE指标评估，结果显示该方法在PSNR和RMSE方面均有显著提高。进一步验证了该算法，并用于训练超分辨率模型，提高了性能。

本文分析了自动海岸线检测中边缘检测算法的有效性。通过评估指标发现，FOM是最可靠的选择最佳阈值的指标。相对于RMSE、PSNR和SSIM，FOM在92.6%的时间内选择到更好的阈值。而RMSE、PSNR和SSIM的选择率分别仅为6.3%、6.3%和11.6%。通过重新解释RMSE、PSNR和SSIM的混淆矩阵度量，提出了对这些结果的解释，表明这些评估指标不仅在这次实验中效果不好，而且在一般的边缘检测评估中也不实用。

本文使用新的视觉Transformer模型在加纳的广泛景观上进行优化，提高了对高树的灵敏度，ViT模型的高度图具有更好的地面采样距离和稀疏植被灵敏度，RMSE仅为3.12m。

决策树在支持向量回归模型中表现较好，相对于LIME和多元线性回归，给出较低的RMSE值的概率分别为87%和73%。决策树在本地解释技术方面也优于LIME。

本研究介绍了对双元回归模型的偏差感知评估以避免在关键现实应用中潜在的不公平和风险，证明了使用 Eccentricity-Area Under the Curve 作为补充指标可以量化被称为偏心偏差的现象。

本研究使用经典和深度学习模型技术分析Moonboard数据集，取得了0.87的MAE和1.12的RMSE的成果。该方法无需将路线分解为单个动作，避免了偏见。研究展示了模型在不同版本之间的泛化能力，并引入了一种新的基于视觉的等级预测方法。尽管泛化性能低于人类水平，但可作为未来工作的基础。该工具可应用于移动应用程序，帮助攀岩者跟踪进展和评估新路线，减少偏见。

本文使用新的视觉Transformer模型在加纳的广泛景观上进行优化，实现了比以前使用的卷积方法更高的准确度。ViT模型的高度图具有更好的地面采样距离和更好的稀疏植被灵敏度，其RMSE仅为3.12m。