本研究提出了基于手绘草图的突显性检测模型，并构建了一个基于 2D 关注机制的照片 - to - 草图生成模型，该模型可以从图像生成手绘草图，并且在定位显著物体方面表现优异。

Mar, 2023

本文介绍了一种新的大规模、公共的室内场景阴影注释数据集，并用该数据集训练了一种卷积神经网络，以预测图像中每个像素的阴影信息，并在内在图像的应用中展示了我们的数据和网络的价值。

May, 2017

提出了一种利用线条素描和光线方向自动生成艺术性阴影的全自动化方法，该方法生成出的阴影可以快速传达素描场景的 3D 结构，并包含有较为准确的复杂细节和艺术效果，该方法基于深度学习网络，通过构建潜在空间中的 3D 模型进行阴影数码渲染。

Feb, 2020

我们提出了一种将人工智能辅助与众包相结合的新颖贴片标记方法，用于减轻图像分类中的偏见，并通过改进分类准确性和模型的注意力焦点来证明其有效性。同时，众包实验证明我们的方法要比使用多边形标注目标位置快 3.4 倍，显著降低了对人力资源的需求。

Mar, 2024

利用 “teacher-student” 训练范式可以补充有限数量的人类提供的注释，使得在构建大型数据集时可以生成任意数量的模型生成的图像注释，并且在四种模型架构和两种显著性估计方法中均表现出优异的性能。

Jun, 2023

这篇研究论文提出了一种基于深度学习和人类协作的相互迭代的方法，能够学习野生动物图像数据的长尾分布，有效提高了相较于现有方法人类注释工作量的减轻程度，并将深度学习由一个相对低效的后注释工具转变为一种始终保持高效模型更新的协作注释工具。

May, 2021

本文提出一种通过使用神经网络和基于图像渲染技术，从照片中生成具有浮雕效果的数字 2.5D 艺术作品的高效解决方案。

Jul, 2023

本文提出了一项新颖的任务，即追踪人类学习者在进行挑战性的视觉分类任务时不断演变的分类行为，提出了一种新的视觉知识追踪模型，并收集三个挑战性的新数据集，从而评估不同的视觉知识追踪方法的性能，结果表明我们的循环模型能够预测人类学习者在三个挑战性的医学图像和物种识别任务中的分类行为。

Jul, 2022

本文讨论了视觉系统的困难，并记录了一位图像注释者在为 SUN 数据库进行分割和标记过程中遇到的困难，以及采用的解决方案和决策。

Oct, 2012

通过人机协同的方式，利用软突出技术提高图像搜索的性能，实验结果显示软高亮度优于硬高亮度。

Dec, 2016