利用自由空间光学前端单元实现第一层的线性操作，然后通过电子方式实现后续层的混合光电架构，在 Kaggle 猫狗挑战数据库中获得了 87% 的图像分类精度。

Dec, 2018

介绍了一种利用混沌光学的技术为 Edge 计算设备提供了一种新的、能够提高运算性能且能够处理高度非线性特征的平台。

Jul, 2023

描述一种图像压缩方法，其由非线性分析变换、均匀量化器和非线性合成变换构成，并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换，其中联合非线性性选择实现形式的局部增益控制，利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失真性能，以及一个连续的代理来引入量化器产生的不连续损失函数，具有比标准 JPEG 和 JPEG2000 压缩方法更好的速率失真性能，并且在所有位率下对所有图像的视觉质量均有显著提高。

Nov, 2016

研究使用多次散射的方法，在低光功率下实现具有程序控制的线性和非线性变换，实现光学多层网络的实现

Jul, 2023

通过将光学与数字技术协同处理，并操作于凝聚态光学信号下，我们成功地优化了一个混合光学 - 数字的人工神经网络，发现相比于数字技术，其在低功耗 / 低延迟下具有更高的分类精度，这表明在一些应用中，光学技术比数字技术更优越。

May, 2023

提出了一种简单而有效的方案 —— 单次整个网络压缩，以在移动设备上部署深度卷积神经网络，并通过对各种压缩卷积神经网络在智能手机上的性能进行测试，证明了所提方案的有效性，可获得显著的模型尺寸、运行时间和能量消耗的降低，同时只付出了小量精度损失。

Nov, 2015

光子处理器在能量成本高昂、人工智能计算需求剧增的背景下成为替代传统电子处理器的潜在选择，然而现有的光学神经网络在图像识别准确度上远远低于现代电子神经网络，本研究通过低维重参数模型引入了一种基于大核空间可变卷积神经网络，实现了基于纳米光学结构的光学神经网络在 CIFAR-10 数据集上达到 73.80% 的盲测分类准确度，首次超越现代数字神经网络 AlexNet（72.64%），让光学神经网络跻身于现代深度学习时代。

Aug, 2023

本文提出一种新的光学神经网络（ONN）框架，模拟人眼视网膜中心附近的高分辨率，实现了图像分类估计的标量不变性，并且通过同维孪生（Siamese）结构将不同缩放级别的图像输入通过相同的卷积神经网络（CNN）进行处理，最终的结果可用于提高现有算法中的准确性。

May, 2018

基于 ExtremeC3Net，本文提出了一个大型核心轻量级分割模型 ExtremeMETA，通过探索更大的卷积核和多路径处理来最大化第一卷积层的功能，在三个公开数据集上的实验证明了优化的高效设计在分割任务上改善了性能。

May, 2024

本论文介绍了一种基于光子学电路的 CNN 数字处理体系结构，相较于当前电子学电路，本体系结构在每次推断中消耗的能量仅为其一部分。

Aug, 2018