使用不同空间和时间分辨率的感知模式可以提高机器人操作任务的性能。本研究提出了一种名为 MResT（多分辨率变压器）的框架，利用具有不同容量的网络学习可推广的语言条件多任务策略，以有效地进行精确和反应迅速的实时控制。通过在 3 个领域（粗糙、精确和动态操作任务）进行大量实验，我们证明了我们的方法相对于最近的多任务基线显著改进（平均提升了 2 倍）。此外，我们的方法对目标物体的视觉和几何变化以及交互力的变化具有很好的普适性。

Jan, 2024

监督深度学习可以通过学习两种图像分辨率或模态之间的映射来人工增加显微镜图像的分辨率。我们提出了一种基于规则化潜在搜索（RLS）的强大超分辨率方法，它在保持实际效果和真实性之间提供了可行的平衡，并结合了深度学习和基于可解释生物特征的手工算法的计算超分辨率和量化任务。这种两步过程对于移动设备等各种应用具有潜在的潜力。

May, 2024

本文提出了一种针对全球数据的时空建模扩展方法，将多分辨率逼近（MRA）方法与分区及复杂协方差模型拟合相结合，实现了可扩展的计算性能和灵活的协方差模型，为分析全球性数据提供了实用的策略。

Jun, 2020

多任务学习中使用高阶张量表示任务间的结构关系，并通过线性组合共享因子、特定因子来模拟任务关联，提出通用的基于低秩的多任务学习方法，证实了该方法在多任务学习中的有效性和优越性。

Aug, 2023

本文提出了一个高效的 Multi-resolution Tensor Completion Model (MTC) 来解决张量部分观测值的补全问题，该模型实现了张量模式特性的探索，并利用分辨率层次进行递归优化。在两个 COVID-19 相关的时空张量上的实验证明，MTC 可以在仅有 5% 细颗粒观测情况下提供达到 65.20% 和 75.79% 的适配度 (PoF)，相对于最佳基线的相对改进为 27.96%。

Jun, 2021

通过对数据进行一系列的小波变换，提出一种使用张量网络进行监督学习的算法，其中使用了矩阵乘积状态来处理粗粒化的数据，并使用基于密度矩阵重整化群算法的自适应算法来训练 MPS。

Jan, 2020

提出一种名为低多秩高阶贝叶斯鲁棒张量分解 (LMH-BRTF) 的新型高阶 TRPCA 方法，在贝叶斯框架内对观测到的受损张量进行分解，结合了明确建模稀疏和噪声成分的优势，实现了对张量的多秩自动确定，并采用高效的变分推断算法进行参数估计，通过对合成和现实世界数据集的实证研究，在定性和定量结果方面证明了该方法的有效性。

Nov, 2023

本研究研究了多分辨率分析和矩阵分解之间的关系，提出了一种增量多分辨率矩阵分解算法，用于发现对于许多视觉问题的成功非常重要的对称矩阵的分层块结构，实验证明该算法可以用于改进网络架构以及其他视觉问题。

May, 2017

本文研究了基于张量分解的高光谱超分辨率技术，提出了一种基于 LL1 张量分解的方法，可以将潜在因子解释为光谱图像的关键组成部分，从而便于加入先验信息以提高性能。

Jun, 2020

本论文提出了一种基于张量方法（STELAR）的模型，旨在准确预测 COVID-19 等流行病在多个区域的演化趋势，训练模型使用 3D 张量，经过实验证明，该模型能够在县级和州级预测中对该病毒的传播情况实现准确预测。

Dec, 2020