标签
本研究提出模块化深度学习增强方案，用于次日野火蔓延预测，通过注意力偏置、检索增强和双流门控提升可审计性和可信度，并在基准测试中使用性能指标进行评估。
本文介绍了一种物理引导的机器学习框架，将物理约束融入深度学习模型（ConvLSTM、AFNONet、ViViT）中以预测燃料密度，用于野火管理，其性能优于纯数据驱动的方法。
AnyBokeh 是一个物理引导的框架，用于任意到任意的散景编辑，它估计源模糊状态并在不同焦距和光圈设置之间传输光学特性，而无需全聚焦重建。
StampFormer 是一种物理引导的深度学习框架，融合几何和材料属性，在不到一秒内预测板料冲压的有限元分析结果，相对误差低于8.5%，实现了高保真度。
本文介绍了 WildRelight，这是一个针对单图像重光照的实世界基准数据集，旨在弥合合成场景与自然场景之间的差距。该研究提出了一种物理引导的自适应框架，利用扩散后验采样和测试时自适应来提升模型在实世界数据上的表现。