本文研究多任务协作智能中潜空间可扩展性，其中一个任务是对象检测，另一个任务是输入重构。通过对训练损失函数各项的缩放因子进行变化，可以使系统在实现对象检测准确性和输入重构质量之间的权衡时得到调整，实验结果表明与相关基准相比，该系统在这两个任务上具有可调整的性能。

May, 2021

本论文探讨了在移动设备和云端之间进行特征数据通讯的 “协作智能” 范式，研究了损失压缩特征数据对协作物体检测准确性的影响，并提出了一种策略来提高其在损失特征压缩下的准确性。实验结果表明，采用该策略，通信开销可以降低 70％而不会牺牲准确性。

Feb, 2018

本论文提出了一个深度学习框架，通过使用卷积神经网络的多类语义分割和条件生成对抗模型来将显示动态内容的图片转换为逼真的静态帧，这种方法可以被用于增强现实领域和基于视觉的机器人定位目的，并在移除动态对象并模拟它们背后的静态结构方面，展示了我们方法的定性和定量比较结果。

Sep, 2018

图像修复是将图像中的缺失或故意遮挡部分恢复出来的过程，在现代修复技术中，我们提供了当前主要方法的概述和评估，并着重解决了现有模型在生成过程中缺乏提示和控制能力的问题，并提供了多种实现该功能的方法。最终，通过对生成的高质量图像进行定性检查，我们评估了我们的方法的结果是否能正确地修复指定区域。

Mar, 2024

提出了一种新颖的视频修复算法，通过 Deep Image Prior（DIP）推出的卷积网络，同时生成缺失的外观和光流信息，并采用一种无需先验训练的生成式方法进行修复。该方法具有良好的视觉效果和长期一致性。

Sep, 2019

该研究探讨了针对有损图像压缩的深度结构设计，提出了两个基于多级渐进编码器的结构方案并通过实验证实了它们对压缩性能的贡献。其中，学习残差预测和压缩前修复图像 (邻近像素) 以减少存储量的设计选择，能够使压缩文件大小平均降低超过 60％，且保持相似的压缩质量。

Sep, 2017

本文提出了一种基于扩散的图像修复算法，并针对多数图像修复算法需要反复训练的问题，证明了基于扩散的图像修复算法可以很好地处理未知蒙版，从而避免反复训练。通过分析目前流行的扩散图像修复算法 RePaint 及其存在的偏差问题，本文提出了一种新的修复算法 RePaint+，具有良好的收敛率，并校正了 RePaint 中存在的偏差问题，提升了采样恢复效果，是一种具有线性收敛结果的扩散图像修复算法。

Feb, 2023

本文介绍了一种新方法 —— 不等误差保护（ULP），通过特征重要性估算器来选择性应用前向纠错（FEC）码以保护重要的数据包以提高协同智能系统的鲁棒性和可靠性。

Jul, 2023

通过深度学习，对于图像和视频修复的基于深度学习的方法进行综合评述，并从高水平的修复流程、深度学习架构、模块设计等多个角度进行分类总结。同时，讨论了训练目标、常见基准数据集、评估指标以及各修复方法的优势、局限性及实际应用，并探讨了公开挑战和未来可能的研究方向。

Jan, 2024

该研究探讨了视频修补检测技术，提出了一种双流编码器解码器体系结构和注意力模块的 VIDNet 方法，该模型采用误差级别分析数据增强处理 RGB 帧，进一步利用卷积 LSTM 模型对编码得到的多模态特征进行空间和时间关系的探索，并使用四个方向的局部注意力模块来检测像素是否被修补，实验结果表明 VIDNet 方法能够在各方面超越其他同类方法并且具有很好的泛化能力。

Jan, 2021