Residual neural network

残差神经网络（Residual Neural Network，简称ResNet）属于深度学习模型的一种，其核心在于让网络的每一层不直接学习预期输出，而是学习与输入之间的残差关系。这种网络通过添加“跳跃连接”，即跳过某些网络层的连接来实现身份映射，再与网络层的输出相加合并。其运作机制与高速神经网络（英语：Highway

隨著神經網路的流行，相關技術也被應用在提高圖片解析度。 SRCNN ( Super-resolution convolution neural network )是一個神經網路，輸入是一個低解析度（视觉上）的圖像，而輸出是一個高解析度的圖像，這裡需要注意的是，在將圖像餵進神經網路前，需要先經過一個預處理bicubic

Ramachandran, K.I. Fault diagnosis of spur bevel gear box using artificial neural network (ANN), and proximal support vector machine (PSVM). Applied Soft Computing

值和觀察值之差的二阶样本矩的平方根（樣本標準差），或該差值的平方平均数。當這些离差是以用來計算估計量的數據樣本本身來計算時，通常稱差值為殘差（residual）；當差值不基於樣本得出的估計量時，通常稱為误差（error）或預測誤差（prediction errors）。均方根誤差主要作用是將各個數據

去噪輸出解碼到像素空間中。在前向擴散過程中，高斯噪聲被迭代地應用於壓縮的潜在表徵。每個去噪步驟都由一個包含ResNet（英语：Residual neural network）骨干的U-Net架構完成，通過從前向擴散往反方向去噪而獲得潜在表徵。最後，VAE解碼器通過將表徵轉換回像素空間來生成輸出圖像