本文研究利用半监督深度学习和图像处理技术，对农业收获量进行精准预测，成功捕获细杆随机叠放的复杂密度物理特性，并优于传统预测方法，该方法具有普遍适用性。

Aug, 2019

本文探讨了在大型弱标记图像集上训练卷积网络以提升视觉特征表达的潜力，并证明了在 1 亿张 Flickr 图片与样本说明上训练出来的特征在多种视觉问题中表现良好，还能够妥善地捕捉单词之间的相似性，并学习不同语言之间的对应关系。

Nov, 2015

本文提出了一种新的方法，通过找到生成模型中有意义的方向来提高生成模型潜在空间的可解释性，从而精确地控制生成图像的特定属性，如位置或比例。该方法对于搜索编码生成图像的简单变换方向（如平移，缩放或颜色变化）特别适用，并在 GAN 和变分自动编码器模型的质量和量化方面得到了证明。

Jan, 2020

该研究论文研究了如何利用 StyleCLIP 和神经网络技术来对 CAD 模型进行自动化相关特性的优化，扩展了 StyleCLIP 的能力以适用三维 CAD 模型，从而利用未标记的 CAD 数据量实现设计优化。

Mar, 2023

基于稀疏嵌入和 K-NN 方法，我们提出了一种基于预训练的稳定扩散模型的图像增强方法，以解决图像生成中的数据不平衡问题。

May, 2024

本文探讨了在机器学习领域，数据注释的重要性以及利用神经网络的潜在空间和图形用户界面的坐标之间的类比来进行数据注释的新方法，并对网络模型进行了调整以获得更紧凑的图形表示和讨论了模型超参数对抽取图形表示的影响。

May, 2023

本研究针对视觉识别技术中的特征表示、学习算法和标记的训练数据进行了探究，提出了一种基于网络监督的自动图像数据生成方法，以实现对大量视觉概念的高效训练和识别。在 Pascal VOC 2007 数据集上对该方法进行了测试，并取得了明显的优越性能。

Jun, 2019

本研究提出了一种新的基于社交媒体用户行为数据驱动的图像特征学习范式，该范式不依赖于类别标签，而是利用潜在空间中发现的图像关系指导图像特征学习，应用于 Behance.net 的数据集验证表明，该方法显著优于目前最先进的图像特征，能够更好地学习图像相似度。

Feb, 2015

本文介绍了一种简单的无监督方法，用于提供训练良好的局部潜在子空间，使得通过潜在编码的导航能够保持生成图像的真实感。实验证明，在局部潜在子空间内生成的图像能够在潜在编码反复调整的情况下保持真实感，并且这种方法对各种类型的基于风格的模型中的潜在编码优化都具有应用潜力。

Oct, 2023

该论文提出了一种名为 G2D 的新型 VLP 框架，通过伪分割任务与全局视觉语言对齐相结合，学习得到密集且语义化的图片表示，以在 6 个医学成像任务和 25 种疾病中取得明显改进的性能，尤其在细粒度的语义分割任务中，甚至在只使用 1% 的训练数据进行微调时，也能超过同类模型的性能。

Dec, 2023