该论文提出了非局部操作作为一种用于捕捉长程依赖性的通用组建块，可以在许多计算机视觉体系结构中使用，并且在视频分类和静态图像识别中表现优异。
Nov, 2017
该研究探讨在使用 Imagenet 预训练特征空间的情况下，最近的自我监督深度方法是否确实优于最近邻方法进行异常检测。通过实验证明，仅使用简单的最近邻方法在准确度，few shot 泛化，训练时间和噪声稳健性方面均优于自我监督方法，同时在图像分布方面做出较少的假设。
Feb, 2020
本文提出了一种非局部递归网络（NLRN），将非局部操作纳入递归神经网络（RNN）用于图像恢复，在图像去噪和超分辨率任务中，该模型由于递归非局部操作和相关性传播而取得了优越的结果。
Jun, 2018
通过分析研究表明，最近邻的方法引入了去噪补丁的偏差，并提出了一种名为 “统计最近邻（SNN）” 的不同邻居收集准则，以减轻此问题。我们的方法在白噪声和彩色噪声的情况下均优于传统方法：较少的 SNN 生成更高质量的图像，计算成本更低。
本文旨在通过对卷积神经网络中的非局部操作权重矩阵进行频谱分析，提出了新的非局部块正则化形式。通过这种方式，我们不仅可以学习非局部交互，还可以获得稳定的动态响应，从而允许更深的非局部层级结构。同时，本研究还揭示了非局部网络与其他非局部模型之间的内在关联。
该研究提出了一种兼容性特定的挖掘方法来搜索一致的邻居，在提取并聚合更可靠的特征方面，使用了一种具有层次结构的神经网络 NM-Net。
Mar, 2019
本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法，使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型，只需要弱监督的成对图像匹配信息进行训练。最后，该方法在类别匹配和实例级匹配任务中均取得了最优结果。
Oct, 2018
提出了一种新的图像处理架构，它基于卷积神经网络与最近邻搜索的简单相结合，并在三个具有挑战性的基准测试中验证其性能与超越现有技术水平。该方法侧重于解决那些难以通过神经网络明确学习的图像转换问题，在此情况下，通过对网络输出进行最近邻搜索可以显著提高结果，并考虑神经网络训练期间的欠拟合效应。
Jun, 2014
本研究针对深度学习在对抗性环境下的鲁棒性和预测不可解释性等问题，通过将 k-NN 算法与深度学习结合，提出了一种名为 DkNN 的混合分类器，它可以为输入数据提供信心估计和人类可解释的预测解释。实验证明，DkNN 算法可以准确识别模型外部的输入，同时提供直观和有用的模型失败解释。
Mar, 2018
本研究提出一种名为 Differential Nearest Neighbors Regression (DNNR) 的新方法，通过在训练期间估计局部梯度并在推断期间使用估计的梯度执行 n 阶泰勒逼近。在超过 250 个数据集的大规模评估中，我们发现，DNNR 在保持 KNN 的简单性和透明度的同时，表现与最先进的梯度提升方法和 MLP 相当，允许我们导出理论误差界并检查失败，从而在需要 ML 模型透明度的时代提供了绩效和可解释性之间的良好平衡。
May, 2022