本文提出了一种新型卷积操作叫做像素自适应卷积 (PAC)，其通过学习本地像素特征来修改传统卷积操作，此方法适用于多种应用场景，具有优异的性能表现，包括使用 PAC 进行深度图像上采样、使用 PAC-CRF 替代 Full-CRF 等。同时，本文还证明了在预训练网络中使用 PAC 操作可以提高网络性能。

Apr, 2019

本文旨在探究使用滤波技术的像素去噪方法对于神经网络的鲁棒性增强效果，研究表明相比于基于像素加法的方法，像素滤波技术不仅能取得更高的图像质量而且对于对抗性样本的准确率也有更好的提高。为了解决滤波方法在训练过程中依赖于对抗样本敌扰幅度的问题，文章提出了一种名为 AdvFilter 的方法，该方法集成了双扰动滤波和不确定性感知模块，在训练和测试的过程中能够自动感知其噪声水平，提高了准确率。通过在多个数据集上的实验，研究者还发现考虑数据和模型的联合训练方法能够进一步提高神经网络的鲁棒性。

Jul, 2021

通过考虑神经网络对其预测的置信度，提出了概率像素自适应卷积 (PPAC) 的模型，其通过图像向导数据进行滤波，同时将高置信度的像素传递到不可靠区域，从而达到了适用于密集预测任务的图像后处理的效果，应用于光流和语义分割中具有实用价值

Mar, 2020

本文提出了从像素边缘检测到表面法线估计到高级语义分割的像素级预测问题的设计原则，通过分层抽样像素来增加多样性，探索复杂的非线性预测器并通过单一的体系结构高效地训练各种像素标记任务，最终在 PASCAL-Context 数据集上的高级语义分割、NYUDv2 深度数据集上的表面法线估计和 BSDS 上的边缘检测任务中达到了最先进的结果。

Feb, 2017

该研究论文提出了一种处理动态场景运动去模糊问题的方法，通过像素自适应和特征注意设计以及内容感知的全局 - 局部滤波模块和像素自适应的非均匀采样策略，在去模糊的基准测试中与现有方法进行了广泛的定性和定量比较，取得了优异的性能。

Feb, 2024

通过采用分层抽样和多尺度特征的方法，优化以卷积预测器为基础的像素级预测问题的神经网络结构，显著提高了模型在低级边缘检测、中级表面法线估计和高级语义分割中的性能.

Sep, 2016

该研究提出了一种用于处理动态场景运动去模糊的有效像素自适应和特征关注设计，并使用有效的内容感知全局 - 局部过滤器模块，通过动态利用相邻像素信息和全局依赖性来显著提高性能，从而 surpassed 其他先前的去模糊方法。

Apr, 2020

我们提出了一种新的生成器架构，旨在快速高效地进行高分辨率的图像到图像转换，通过处理各像素点的互不相关的仿射变换和非线性变换的组合，预测参数的快速卷积网络和空间坐标的正弦编码，使模型速度比最先进的基线模型快 18 倍，而在不同的图像分辨率和转换领域生成可比较的视觉质量。

Dec, 2020

提出了一种名为 PIFu 的像素对齐隐式函数表示法，可以从单张图像中推断出高细节服装人物的 3D 表面和纹理，其精度高、内存占用小、能够处理任意拓扑，并且与输入图像的空间完全对齐。在 DeepFashion 数据集上进行实验，结果显示 PIFu 方法在单幅图像上表现出色，优于之前任何的数字化人像单张图像重建方法。

May, 2019

通过将传统的卷积定理应用于深度学习，本研究揭示了自适应频率滤波器可作为高效的全局令牌混合器，进而提出了适应性频率滤波（AFF）令牌混合器。实验证明，AFFNet 在广泛的视觉任务中实现了卓越的准确性和效率平衡。

Jul, 2023