图像引导的深度补全是一项通过利用稀疏深度测量和RGB图像来估计密集深度图的任务；它通过估算深度来填充未测量的区域。由于许多深度传感器（如LiDAR和飞行时间相机（ToF））只能提供稀疏的深度图，这项任务变得尤为重要。随着深度信息在自动驾驶和各种3D应用中的广泛应用，深度补全已经成为一个重要的研究课题。近年来，随着深度神经网络的成功，基于学习的方法通过利用大量训练数据显著提升了性能。这些方法尝试融合多模态特征，如表面法线或提供重复的图像引导。尤其是，基于亲和性的空间传播方法被广泛研究。

本文介绍了一个基于机器学习的眼疾识别系统，使用了ResNet18和ResNet18-NAM两种卷积神经网络模型来对眼底图像进行分类，以实现自动眼疾识别。通过对两个公开数据集 iChallenge-PM 和 眼病分类数据集 的部分数据进行处理，并将其调整为 224x224 的图像尺寸。文章重点研究了基于注意力机制的ResNet18-NAM模型，其中引入了NAM（归一化注意力机制）以增强模型的注意力计算能力。实验结果表明，ResNet18-NAM在准确率和模型效率上优于标准ResNet18，并且在多项指标上均表现出较好…