本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

Mar, 2017

GridNet 是一种新的卷积神经网络结构，用于实现语义图像分割任务。该网络采用网格模式使得多个互相连接的流可以在不同的分辨率下工作，以解决特征图降维带来的分辨率丢失。与传统的神经网络相比，GridNet 在 Cityscapes 数据集上表现出了更好的性能。

Jul, 2017

通过生成一种数据自适应的图形结构并利用方向感知图形卷积，本文提出了一种新型的异构网络卷积模型，并在四个图像理解任务上进行了评估。

Apr, 2021

通过增强 Deformable Convolutional Networks 的变形卷积能力、引入调制机制和特征模仿方案，提高了其在目标检测和实例分割任务中的性能表现。

Nov, 2018

通过可学习的网格化处理将点云数据转化为紧凑、规则的网格，解决了点云方法在规模可扩展性上的问题，使得后续层能够使用更好扩展的操作，在时间和内存消耗上表现更佳且能获得有竞争力的结果。

Jul, 2023

本文通过重新审视可变形卷积技术，旨在解决图像中卷积核区域位置的网格限制问题，以期更好适应物体形状不规则性和运动不确定性，从而提供更准确的插值画面。实验结果表明，相比于现有的其他技术，在四种数据集上所提出的模型表现更为卓越。

Apr, 2022

通过使用神经场，利用三维空间内不规则的栅格表征方法，提高了点云形状重构以及生成模型的精确性和质量， 在单张高分辨率图像、低分辨率图像和分类条件下的生成模型中，实现了有关 3D 形状建模的革新工作。

May, 2022

本文提出了一种新的深度学习目标检测框架，引入了变形卷积神经网络、约束池化层等创新，通过组合不同的网络结构和组件、改变训练方法等方式，提高了模型的泛化能力和检测精度，实验结果表明该方法在 ILSVRC2014 比赛中的表现明显优于 RCNN 和 GoogleNet，能有效提升目标检测效果。

Dec, 2014

该研究通过设计采样网格和参数化几何先验来实现像素级稠密预测，提出了 Directed Accumulator Grid (DAGrid)，并发现在医学图像识别中和小型不平衡数据集方面，采用 DAGrid 可以显著提高识别性能。

Jun, 2023

通过统一的几何原理，深度学习可以更好地揭示基本规律，提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络，且可以将物理学知识结合到神经网络结构中，从而提供了未来神经网络结构的原则性方法。

Apr, 2021