研究神经网络在图像分类中受质量失真的影响，提出了一种基于混合专家模型的解决方案，通过权重共享方式减少网络参数数量并提高性能。

Mar, 2017

提出了一种基于深度学习的方法，包含两个 CNN 子单元的深度架构，以及一个自行收集的包含自然扭曲的图像的图像库 BIQ2021，用于模型训练和验证。通过在多个数据集上的实验，证明了该方法的性能和广泛的泛化性能。

May, 2023

这篇研究使用深度学习技术进行失真通用的盲目图像质量评估，通过将子区域的评分进行平均池化，使用分类基础图像质量评估的 CNN 微调提取的特征，使用 SVR 机器计算每个子区域的评分，进而证明了该方法在 LIVE In the Wild 和 LIVE 两个数据库上的表现均优于当前的最优方法，并且在很多情况下，比普通的人类观察者的评分更加接近平均观察者的评分。

Feb, 2016

本研究使用深度强化学习与卷积神经网络相结合，设计了一种新的深度伪造检测算法，通过统计每张测试图像的各种增强方法的分类分数来检测深度伪造的图片，实验证明该方法在跨数据集的泛化性能方面优于现有的模型，并获得最先进的性能。

Apr, 2022

该研究提出了一种基于耦合群卷积的旋转、缩放和平移等变卷积神经网络 RST-CNN，该网络通过稳定性分析可证明具有变形鲁棒性，能在旋转、缩放和平移等输入畸变的情况下保持等变性，从而在 MNIST、Fashion-MNIST 和 STL-10 数据集上实现了显著提升。

Nov, 2021

本篇研究提出了一种用于盲目图像质量评估的深层双线性模型，它适用于合成和真实失真，包括使用卷积神经网络进行预处理和特征提取的方法，并在目标评分数据库上进行深度微调，最终在大规模数据效果表现优越。

Jul, 2019

本文提出了一种名为 ' 快照集成 ' 的新技术，可以实现在不增加训练成本的情况下，通过在一个单一的神经网络中收敛到几个局部极小值并保存模型参数的方法，同时通过循环学习率表达式，获得重复快速收敛的能力，实验结果表明，这种方法可有效地降低误差率并与传统的网络集成方法相比较优秀。

Apr, 2017

构建和训练多个卷积神经网络 (CNN) 架构，利用堆叠 CNN 集成方法对地震、洪水、野火和火山等自然灾害图像进行分类，实现了 95% 的准确率和 F1 得分达到 0.96，并通过调节超参数优化单个模型的性能，同时通过将 CNN 和 ResNet 模型与 XGBoost 元模型相结合，提高了分类的整体准确性，展示了基于 CNN 的模型在自动化灾害图像分类中的有效性，为扩展这些技术以构建健壮的灾害响应、损伤评估和恢复管理系统打下了基础。

Nov, 2023

本文提出了一种使用多个预训练卷积模型作为骨干的 few-shot 分类新方法，使用新颖的集成技术提高了准确性，同时大大减少了总参数数量，实现了实时检测，通过强调超参数搜索，该模型在竞争标准中超越了现有的最先进方法，取得了 92.30％的 5-way 5-shot 任务准确率。

Aug, 2022

该论文研究表明，图像卷积神经网络的不足与纹理偏差有关，而相对缺乏形状偏差则导致了域通用性的不良表现。通过使用经典的计算机视觉方法，即使用轮廓图的震荡图表示图像的轮廓内容，来显式和完整地表示图像形状，进而使用最近的图神经网络方法进行分类，实验结果表明即使不使用外观，基于形状的方法在域泛化方面超过了基于经典的图像 CNN 方法。

Sep, 2021