本研究提出了一种新颖的循环编码器 - 解码器网络模型，用于实时基于视频的面部对齐。我们的模型预测带有回归损失的 2D 面部关键点映射，同时在空间和时间维度上独特地利用循环学习。在空间层面上，我们在联合输出响应映射和输入之间添加反馈循环连接，以使用单个网络模型实现迭代式的粗到精面部对齐。在时间层面上，我们首先将网络瓶颈中的特征分解为时间可变因素和时间不变因素，例如姿势和表情以及身份信息。然后将时间循环学习应用于分解的时间可变特征，在测试时间产生更好的普适性和显着更精确的结果。通过全面实验分析，我们展示了提出的模型各组件的重要性，以及在标准数据集上的优异结果。

Aug, 2016

本文提出了一个名为 RedNet 的 RGB-D 残差编码器 - 解码器架构，用于室内 RGB-D 语义分割；该架构应用了残差模块作为基本构建块，跳跃式连接用于跨越编码器和解码器之间的空间特征。

Jun, 2018

提出了一种名为 ERD 模型的循环神经网络，用于识别和预测视频和动作捕捉中的人体姿势，在运动捕捉、人体姿态标记和视频姿态预测方面均表现优秀，并且代表了时空视觉领域的重要特点。

Aug, 2015

提出一种新颖的端到端深度架构用于面部标记检测，它基于卷积和反卷积网络，以及经过精心设计的循环网络结构，并在多个基准数据集上得到了比当前最先进方法更卓越的表现。

Oct, 2015

本文提出了一种重构网络（RecNet）的架构，该网络利用正反两个方向的流动来进行视频字幕生成，其编码器 - 解码器使用正向流产生编码视频语义特征的句子描述，两种类型的重构器则用于回溯流程并重新生成与解码器生成的隐藏状态序列基于的视频特征。实验结果表明，所提出的重构器网络能够提高编码器 - 解码器模型的性能，并显著提高视频字幕准确性。

Mar, 2018

本文提出了一种使用多个编码器的循环融合网络 (RFNet) 来处理图像字幕生成问题，RFNet 可以利用多个编码器的输出之间的相互作用，生成新的、紧凑而且信息丰富的表示，验证实验表明，RFNet 对于图像字幕生成问题是有效的，并且取得了最新的最好结果。

Jul, 2018

本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。

Nov, 2019

我们提出了一种强化编解码（RED）网络用于动作预测，RED 以多个历史表示为输入，并学习预测未来表示的序列，通过采用强化模块，鼓励系统尽早进行正确预测，并在 TVSeries，THUMOS-14 和 TV-Human-Interaction 数据集上取得了最先进的性能。

Jul, 2017

该研究介绍了一种名为 RecNet 的新方法，通过将三维点云投影到深度图像并使用编码器 - 解码器框架进行压缩，从而同时解决资源受限机器人和多机器人系统中有效的位置识别问题。通过提取该过程中的潜在向量用于高效的位置识别任务，RecNet 不仅取得了可比较的位置识别结果，而且保持了紧凑的表示形式，适合在机器人之间实现无缝共享以重建其集体地图。通过对 RecNet 进行包括位置识别性能、重建点云的结构相似性和仅共享潜在向量而得到的带宽传输优势在内的一系列指标进行评估，该方法为在导航、定位、地图合并和其他相关任务中的应用开辟了新的途径。通过公开数据集和实地实验对所提出的方法进行了严格评估，证实其在真实世界应用中的有效性和潜力。

Feb, 2024

本文介绍了一种名为 VA-RED^2 的新型冗余特征减少框架，可用于深度学习模型的视频推断，通过输入依赖的策略来减少时间和通道维度的计算量，实现了 20％-40％的计算（FLOPs）减少而无需牺牲性能。

Feb, 2021