2）将 CNN 网络结构中原有的下采样方式替换为自适应加权池化，并应用于服装图像分类：针对最大池化和平均池化策略单一的问题，将它们更改为同等窗口大小的自适应加权池化。针对跨步卷积只能固定间隔采样的问题，将 3×3 窗口的跨步卷积更改为 3×3 窗口的密集卷积后接 2×2 窗口的自适应加权池化，将 1×1 窗口的跨步卷积更改为 2×2 窗口自适应加权池化。针对全局平均池化对不同特征没有区分性的问题，将其更改为窗口大小与特征图尺寸相等的自适应加权池化。将改进前后的 CNN 网络用于服装图像分类，对结果进行比较，实验结果表明改进后的网络结构提高了分类的准确率。
3）对 ASM 能量用于结构图像先验网络去噪的可行性进行验证：通过实验证实了，在结构图像先验网络生成图像的过程中，目标生成图像的 ASM 能量越低，生成该图像所需要的迭代次数就越多，对于同样的网络结构，要生成噪声图像比生成自然图像需要更多的迭代次数。若以含噪声的图像作为网络的目标生成图像，在网络迭代的过程中，图像中的噪声会在迭代后期才生成，在迭代的过程中会生成去除噪声的图像，生成图像的去噪效果与其 ASM 能量成正相关。
参考文献（略）
