该论文通过引入等变图神经网络 (ESGNN) 到三维点云生成语义场景图中，实现了对场景的理解和估计的显著提升，并在速度和收敛性上具备优势，为机器人技术和计算机视觉等实时应用铺平了道路。

Jun, 2024

该研究论文主要涉及自主驾驶中的动作预测和未来情景编码，以及使用车道占用区域的新表示法来预测动作。所提出的方法在两个大规模运动预测基准测试上排名第一。

Jun, 2024

通过多个关键接入点（APs）和自适应重构智能表面（STAR-RISs）的新型网络架构，该研究论文提出了应对室内通信中干扰抑制、功耗和实时配置方面的挑战的解决方案，并采用多智能体深度强化学习（MADRL）来优化 STAR-RIS 的控制。通过模拟实验，论文证明了与基准方法相比，网络效用显著提高。

Jun, 2024

该研究论文介绍了一种新型网络结构，通过通道结构剪枝的压缩技术，可以在移动设备上高效运行，对于新颖视图合成、神经辐射场、神经光场和移动设备都具有重要的研究意义。

Jun, 2024

通过利用面部先验信息，提出了一种名为 W-Net 的新型网络架构，用于解决面部超分辨率问题，该架构充分利用了低分辨率图像的分辨率潜力，并通过使用预测图和低分辨率图像的融合模块实现多维度的融合，同时平衡了感知质量和像素准确性。实验证明 W-Net 在定量指标、视觉质量和下游任务方面表现出色。

Jun, 2024

水下图像增强是计算机视觉领域的一个具有挑战性的研究任务，文章综述了多个角度，包括物理模型、数据构建过程、评估指标、损失函数以及最新算法在网络架构、学习策略、学习阶段、辅助任务、领域视角和解缠融合等六个方面的贡献，并通过定量和定性评估在多个基准数据集上对最先进的算法进行了综合和公正的比较，同时提出了水下图像增强任务中值得进一步研究的问题。

May, 2024

该论文提出了一种算法，用于搜索解决给定问题的任意网络中完全连接层中的最少神经元数量，该算法不需要使用不同数量神经元的网络进行多次训练。该算法基于交叉验证方法在至少两个折叠上对初始宽网络进行训练。然后通过使用截断奇异值分解自动编码器插入在训练网络的所研究层之后，我们仅在网络的推断模式中搜索最少数量的神经元。

May, 2024

该研究论文阐述了针对 3D 点云的机器学习分类任务中存在的对抗攻击问题，并提出了 Eidos 框架，该框架支持高效的难以察觉的对抗攻击方法，通过迭代的两步骤流程，能够找到最佳的对抗性示例，从而平衡运行效率和对抗攻击的察觉程度。研究实验证明，相对于其他方法，Eidos 在效率和隐蔽性方面表现优越。

May, 2024

在本文中，我们提出使用极坐标谱来表征网络架构的复杂性，并根据序列的渐近分布对网络进行分类为低阶、稀疏或高阶。我们展示了这种分类方法在标准激活函数和 ReLU 网络的稀疏性质方面的不同特征，并通过数值模拟验证了我们的理论结果。

May, 2024

利用单视角 RGB 图像进行三维重建及新视角合成的研究中，提出了一种名为 DIG3D 的新方法，该方法利用编码 - 解码框架，通过编码器的深度感知图像特征指导解码器生成三维高斯图像，具体来说，引入了可变形变换器，通过三维参考点和多层细化适应来进行高效且有效的解码。通过利用三维高斯图像的优势，我们的方法为从单视角图像进行三维重建提供了高效且准确的解决方案。我们在 ShapeNet SRN 数据集上对方法进行了评估，在汽车和椅子数据集上获得了分别为 24.21 和 24.98 的峰值信噪比（PSNR），结果比最近的方法提高了约 2.25％，证明了我们方法在实现优越结果方面的有效性。

Apr, 2024