本文提出了一种名为 DySPN 的动态空间传播网络，通过注意力机制学习像素之间的关联性，以生成 RGB 图像的密集深度图，并采用扩散抑制技术防止过度平滑。实验结果表明，在 KITTI Depth Completion 和 NYU Depth v2 数据集上 DySPN 表现优于其他 SoTA 方法。

Feb, 2022

介绍了一种名为图结构和积网络的概率方法，可用于机器人领域的结构预测问题，演示了该方法如何通过处理机器人在大规模办公空间中的嘈杂拓扑关系来提高关于语义概念描述的推断，并显示 GraphSPNs 始终优于传统基于无向图模型的方法。

Sep, 2017

本研究提出了一种利用全局方式学习数据点之间的配对关系，通过空间广义传播网络（SGPN）实现对任意结构数据的语义分割的模型，该模块可以灵活地嵌入和联合训练许多类型的网络，如 CNN，并且实验证明，相较于不包含此模块的网络，SGPN 始终提高了像素和点云分割的性能，这表明我们的方法是模拟任意构造数据的全局配对关系的有效方法。

Sep, 2019

本文提出了一种用于分层语义分割的新架构 HSSN，它可将现有的分割网络有效地应用于分层语义分割，通过像素嵌入和类别层次结构来实现像素级多标签分类和更好的分割。

Mar, 2022

本文介绍了一种新的使用深度卷积神经网络解决弱监督语义分割问题的方法，该方法使用基于类对象面积约束的单形投影，可以通用于任何 CNN 架构。实验结果表明，在只有图像级标签的弱监督情况下，将此操作应用于 CNN 的输出可以提高语义分割的准确性。

Jul, 2018

我们提出了一种双层 Siamese 结构网络（DSSN）进行像素级对比学习，通过在低级图像空间和高级特征空间中利用强增强视图对齐正样本对，最大化利用可用的无标签数据，并引入了一种新颖的面向类别感知的伪标签选择策略以改善弱到强监督的性能，并在 PASCAL VOC 2012 和 Cityscapes 两个数据集上取得了显著优于其他 SSS 算法的最新成果。

Jul, 2023

本文提出了一种可变形空间传播网络，用于适应性地为每个像素生成不同的感受野和密合矩阵，从而更准确地从稀疏深度测量中恢复密集的深度地图，KITTI 深度完成基准实验结果表明我们提出的方法达到了最先进的性能。

Jul, 2020

本文提出一种半监督的点云语义分割网络，名为 SSPC-Net，通过推断少量标注化点的标签，为无标签的点生成伪标签，采用动态标签传播方法和耦合关注机制，最终成功减少标注点，并在不同数据集上取得优秀结果。

Apr, 2021

我们提出了一种新颖的轻量级分割架构，名为多尺度特征传播网络 (MFPNet)，通过设计具有柔性瓶颈残差模块的鲁棒的编码器 - 解码器结构，探索深入且丰富的多尺度语义上下文，同时利用图卷积网络 (GCNs)，在瓶颈残差模块之间进行多尺度特征传播，最终在基准数据集上表现出优异的分割结果。

Sep, 2023

这篇研究提出了使用卷积空间传播网络 (CSPN) 进行深度预测的方法，并通过实验展示了其在深度补全和立体匹配任务中的有效性。

Oct, 2018