布法罗大学研究团队基于夏威夷十余年野火数据，对多种开源深度学习模型进行系统评估，并以2023年毛伊岛火灾与传统物理模型FARSITE对比。结果显示，人工智能模型具备数据适配优势，但在整体预测表现上仍难以取代传统方法。

一项发表在《工程研究杂志》上的研究提出了一种结合传统图像处理与深度学习的三阶段方法，可在UCF101数据集上以约95%的准确率自动检测并定位视频中的插帧篡改。

IMDEA材料研究所与马德里理工大学提出一种基于深度学习的替代模型，在液态复合材料成型过程的流体流动仿真中实现毫秒级预测，大幅降低计算成本，为数字孪生和自适应过程控制提供了新工具。

研究人员在《水资源研究》发表论文，尝试以可微分的物理驱动深度学习框架刻画大草原坑洼区“充满—溢流—连通”的阈值过程，以提升缺乏长期监测流域的径流预测与可解释性。

麻省理工学院海洋资助项目与Woodwell气候研究中心及其他合作伙伴共同开发了一套基于深度学习的鱼类监测系统。

Apple 推出全新 3D 表达方式 LiTo，只需一张图片，就能生成在不同视角下仍能保持真实反射与光泽效果的 3D 对象。该方法将几何形状与视点依赖的外观统一编码为 3D 潜在表示，并已被 ICLR 2026 收录。

研究团队通过让模型同时学习细菌与显微食物碎屑特征，消除碎屑被误判为细菌的情况，提升了基于图像的活菌快速检测与分类能力。

研究人员提出一种结合图神经网络与Transformer的时空AI检测方法，可在不到两秒内识别针对电力供应网络的复杂网络攻击，准确率超过93%。

麻省理工学院、Mass General Brigham 和哈佛医学院的研究人员开发了一种深度学习模型，能够提前一年预测心衰患者的病情进展。

研究团队在《自然》发文介绍PARM模型的开发与验证流程，称其可在特定细胞类型与条件下预测调控DNA对基因活性的影响，并以较低计算成本支持更广泛的学术使用。

一种新方法有望帮助用户在医疗诊断和自动驾驶等安全关键领域判断是否信任模型的预测结果。

研究团队以高分五号02星方向极化相机数据为对象，构建融合胶囊网络与辐射传输建模的混合框架，用于更高分辨率、近实时反演气溶胶性质，相关成果发表于《遥感学报》。