本文提出了一种修改的卷积网络 Inception Network，在去除 dense prediction 和 pooling 的缺点基础上，将大型卷积核添加在每一层中，应用于典型的图像到图像学习问题中，表现出了比同类问题还要好的效果，如：皮肤检测，语义分割和压缩伪像去除等。

Jan, 2017

本文提出了基于扩张卷积的 Inception 模块，利用多尺度信息构建深度神经网络，提高单幅图像超分辨率的性能。实验结果表明，该方法优于许多单幅图像超分辨率方法。

Jul, 2017

本文提出了一种名为 Bilateral Segmentation Network（BiSeNet）的新型网络结构，通过引入 Spatial Path、Context Path 以及 Feature Fusion Module 三个模块，实现了在保持高分辨率的同时增加感受野，达到了在 Cityscapes、CamVid 和 COCO-Stuff 数据集上速度和分割性能相对平衡的效果，对于 2048x1024 的输入，我们在 Cityscapes 测试数据集上实现了 68.4％的平均 IOU，在 NVIDIA Titan XP 卡上的速度为 105 FPS，比现有方法更快，同时性能相当。

Aug, 2018

通过在推理时间内优化随机初始化卷积神经网络（CNN），我们提出了一种无监督的超像素分割方法，通过 CNN 从单个图像生成超像素，无需任何标签，通过最小化提出的超像素分割目标函数来实现。我们的方法与许多现有方法相比有三个优点：（i）利用 CNN 的图像预先知识用于超像素分割，（ii）根据给定的图像自适应地改变超像素数量，（iii）通过将一个辅助成本增加到目标函数中来控制超像素的属性。我们在 BSDS500 和 SBD 数据集上定量和定性验证了我们方法的优势。

Feb, 2020

采用新的神经网络结构实现移动图像处理，使用对输入 / 输出图像成对的训练集，预测局部仿射模型的系数，使用新的切片节点对上采样的变换进行边缘保持，对高分辨率图像在智能手机上进行毫秒级的处理，并在大类图像操作中匹配最先进的逼近技术质量。

Jul, 2017

本文提出了一种使用简单的全卷积网络预测超像素的新方法，以及在此基础上进行稠密预测任务下采样 / 上采样方案的改进，实验结果表明该方法能够在 50fps 的速度下取得最先进的超像素分割性能，并且在公共数据集上能够获得更好的视差估计精度。

Mar, 2020

该论文提出了一种称为 Bilinear 卷积神经网络（B-CNNs）的神经网络模型，通过使用两个卷积神经网络所提取的特征的外积计算来表示图像，并以平移不变的方式捕捉局部特征交互，并在多项图像分类数据集上展示了其在识别精度和速度等方面的优越性。

Apr, 2015

本文提出了一种新的关联植入（AI）模块，用于增强深度卷积神经网络的超像素分割能力，该模块直接将网格单元的特征植入其相应中心像素的周围，并在填充窗口上进行卷积以自适应地在它们之间转移知识，通过此种植入操作，网络可以明确地获取像素 - 网格级别的上下文信息。为了追求更好的边界精度，本文还设计了一个边界感知的损失函数，辅助网络在隐藏特征层面上区分边界周围的像素，从而将更多边界像素准确地识别出来。在 BSDS500 和 NYUv2 数据集上的广泛实验表明，我们的方法不仅能够达到最先进的性能，而且能保持令人满意的推理效率。

Jan, 2021

本文提出了一种新的卷积神经网络架构 GoogLe2Net，其中 ResFRI 或 Split-ResFRI 创造横向通道和残差连接，使得信息可以在卷积层之间流动，并在细粒度上表达多尺度特征，从而在图像分类等任务中取得更好的结果。

Jan, 2023

本文提出了一种基于 DCNN 网络的端到端扩张 Inception 网络（DINet）用于实现视觉显著性预测，并使用一系列线性归一化的概率分布距离度量作为损失函数来推断全局显著性信息，从而将显著性预测转化为概率分布任务。实验结果表明，该方法可以在短时间内实现最先进的性能。

Apr, 2019