本篇研究提出了一种用于盲目图像质量评估的深层双线性模型，它适用于合成和真实失真，包括使用卷积神经网络进行预处理和特征提取的方法，并在目标评分数据库上进行深度微调，最终在大规模数据效果表现优越。

Jul, 2019

本文提出了一种深度双线性变换（DBT）块，可以在卷积神经网络中深度堆叠，以学习细粒度图像表示，其利用双线性变换在每个语义组内计算成对交互的方式，显著减轻了计算成本，能够在 CUB-Bird、Stanford-Car 和 FGVC-Aircraft 等多个细粒度图像识别基准测试中取得新的最佳表现。

Nov, 2019

通过简单的方法，我们实现了对最先进模型进行 1 像素平移的错误率降低到不到 5%，同时只有 1% 的分类准确率下降。此方法还可以轻松调整以处理循环位移，而无需任何进一步的训练。

Apr, 2024

提出了双边求解器，一种新颖的边缘感知平滑算法，结合了简单滤波方法的灵活性和速度以及特定领域优化算法的准确性。该技术在多种计算机视觉任务上能够达到或超过最先进的结果（包括立体、深度超分辨率、上色和语义分割），同时比其他竞争方法快 10-1000 倍。双边求解器快速、稳健且简单易用，可以很容易地推广到新领域，并且易于集成到深度学习管道中。

Nov, 2015

研究通过利用卷积神经网络的新架构 —— 双线性 CNN (B-CNN)，在 IARPA Janus 基准测试集上进行面部识别，实现了额外的性能提升，并将标准 CNN 与 VGG-Face 模型进行比较。

Jun, 2015

提出了一种新的人员再识别架构，基于双线性卷积神经网络，通过在预定义区域中进行双线性汇总，以更局部的方式提供空间信息，比 Bilinear-CNN 和现有技术在三个基准数据集上表现更优秀。

Dec, 2015

本文提出了使用 CNN 进行语义图像分割的体系结构，使用新的 “双边启发式” 模块解决了通用 CNN 分割结构中出现的两个问题，并在三个不同数据集上得到了可靠的改进。

Nov, 2015

使用全卷积网络进行运算符逼近可以显著提高逼近精度，降低运行时间和内存开销。在输入输出对上的训练可以将原始运算符逼近，并且可以对多种不同的高级图像处理运算符进行逼近，包括多种变分模型、多尺度调节和明暗细节操作等。

Sep, 2017

基于深度神经网络的较慢的最新方法限制实际分辨率，或仍包含可感知的瑕疵，我们在这里提出了一种新的端到端模型，用于光影逼真的风格转移，其快速且产生逼真的结果，与现有最先进的方法相比，我们的方法产生了视觉上更好的结果，速度提高了三个数量级，并在移动手机上实现了 4K 的实时性能。

Apr, 2020

本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

Aug, 2017