本文介绍了网络形态学的定义、方程和算法，讨论了如何实现网络形态的改变，提出了参数化激活函数，实验结果表明这种网络形态的改变方案是有效的。

Mar, 2016

我们提出利用基于坐标的神经网络来表示面部图像的变形和融合。通过结合经典方法中的能量函数，我们利用这些网络的平滑性和灵活性进行训练，同时允许连续的面部变形和融合。实验结果表明，我们的方法在面部变形检测方法方面与传统方法和基于数据的神经技术相竞争，并在审美上呈现出文献中尚不常见的多样面孔的无缝融合。

Aug, 2023

研究了基于差分和反向传播的形态学网络的潜力和限制，尤其是在初始化和学习速率方面的理论指导，以解决当形态学网络层数增加时的训练困难。

Feb, 2024

本文提出了一种全新的卷积神经网络结构 ——Deep View Morphing，用于视图合成问题。该方法通过矫正网络和编解码网络等步骤，生成密集的对应关系和混合遮罩，有效解决了传统 CNN 方法中存在的纹理细节、形状失真和高计算复杂度等问题，实验结果表明该方法优于当前基于 CNN 的视图合成方法。

Mar, 2017

开发鲁棒性的机器学习系统是防止犯罪分子使用假身份证件越过边境的必要手段，本研究则调查了卷积神经网络架构对变形攻击的泛化能力，结果发现 InceptionResNet-v2 在对未知数据的泛化效果上优于其他四个 CNN 模型。

Oct, 2023

提出了一种新的基于网络分析的方法，通过检测具有相似连接模式的单元的社区或聚类，从分层神经网络中提取全局和简化的结构，并通过实验验证其有效性，从而实现了分解网络、训练评估和数据分析等目的。

Mar, 2017

本文提出了一种新颖的图卷积算子，通过对网格的本地顺序强制执行连续性，实现对固定底层图形的归纳偏差建模，并将其作为传统深度生成建筑的构件，以多种 3D 形状数据集为例，与线性 Morphable Model 和其他图卷积算子相比，展示出最先进的结果。

May, 2019

通过数学形态学（MM）实现全结合卷积神经网络（ConvNets）的二值化，并提出两种新的近似方法以及鲁棒的理论框架来改进其优化。同时，引入正则化损失以提高网络的性能。

Jan, 2024

该论文提出了 MorphNet 方法，用于自动设计神经网络结构，可以根据资源约束（例如每个推理中的浮点操作数）调整网络大小并提高性能。

Nov, 2017

本文介绍了一种新的卷积神经网络模型，将 3D 变形模型嵌入网络中，使得该网络可以处理输入数据的 3D 空间变换，并且可以对 3D 姿态的变化和遮挡进行识别和规范化，通过该方法可以对高度不规则的图像进行处理。

Aug, 2017