本文提出了可操作非网格结构数据的一种新的可学习算子 —— 参数化连续卷积，并在室内外场景的点云分割和驾驶场景的激光雷达运动估计中实验证明，相较于现有技术有显著提升。

Jan, 2021

该研究提出了一种新的重新参数化方法，通过将标准神经网络体系结构的卷积重新参数化成一个不可训练的共享部分（滤波器银行）和任务特定部分（调制器），从而使模型能够学习新任务而不会对现有任务的性能产生负面影响。该方法在 PASCAL-Context 和 NYUD 两个任务上达到了最先进的表现，并且证明了其比竞争对手具有更优秀的增量学习能力。

Jul, 2020

本文提出了一种使用深度强化学习来自动调整像素区域参数，以解决图像处理中优化的问题，实验表明，该方法可以让调优后的重建 CT 图像质量达到手动调整的水平甚至更好。

Nov, 2017

该论文提出了 Dynamic-Net 的概念，这是一种可以在推断时被修改的结构，它利用目标空间中的所有线性组合来改进预训练网络的性能。这种方法是快速的，且允许用户实时交互式修改网络，以获得所需结果。

Nov, 2018

该论文提出了一种利用神经网络进行优化的方法，该方法通过共享模型参数和特征表示来训练多个神经网络模型，以解决多个相关任务。论文引入了共同信息的概念，并提出了一种新的模型训练方法，通过添加一个额外的重构阶段和重构损失，将共同信息重新构建出来。该方法鼓励学习到的特征具有通用性和可迁移性，因此可以用于有效的迁移学习。通过数值模拟，研究了在不同应用领域上的性能表现。结果表明，该方法在数据和模型复杂度方面非常高效，能够抵抗过拟合，并且具有竞争性能。

Mar, 2024

通过细调滤波核元素，我们引入了一个简单的方法来改进现有的微调方法，以提取面向任务的表示，这种方法在区分和生成任务方面优于之前的微调基准。

Mar, 2024

本文介绍了一种基于小参数集合的深度神经网络迁移学习和多任务学习的新方法，通过调整网络中的特定组件使其适应不同任务，以达到在多个任务中共享参数并且性能表现良好的目的。

Oct, 2018

本研究介绍了有条件参数卷积（CondConv）的概念，通过为每个示例学习专用的卷积核，增加了神经网络的规模和容量，同时保持了有效推理，并在图像分类任务上展示了其在现有基于卷积神经网络的体系结构上的性能和推理成本的平衡。

Apr, 2019

本研究提出了一种名为 "GainTuning" 的方法，该方法通过调节卷积神经网络中每个通道的单个比例因子，使预先训练的深度卷积神经网络 (CNNs) 在适用于实际测试图像时能够自适应性的提高去噪性能。通过在多项标准图像去噪数据集上的实验也表明，该方法具有比当今最先进的方法更好的性能表现。

Jul, 2021

本文研究了 Convolutional Neural Networks 的回归模型，使用了 Tukey 的 biweight 函数作为损失函数，同时提出采用逐渐提高分辨率的输入图像的粗粒度模型，经过实验表明在人体姿势估计和面部年龄评估任务中，这种方法产生了更好的效果。

May, 2015