非局部自相似性的连续表示再探讨
本文提出了一种非局部递归网络（NLRN），将非局部操作纳入递归神经网络（RNN）用于图像恢复，在图像去噪和超分辨率任务中，该模型由于递归非局部操作和相关性传播而取得了优越的结果。
Jun, 2018
研究了利用自然信号的自相似性进行非局部方法，提出了一种对 KNN 选择规则进行连续确定性松弛的方法，即通过温度参数逐渐接近零将原始 KNN 保持为极限，利用提出的神经最近邻块 (N3 块) 用于现代神经网络建筑中，并展示了其在图像恢复等任务中的有效性。
Oct, 2018
本文提出一种基于图信号处理的快速点云修复方法，利用点云的局部平滑性和非局部自相似性，将修复过程转换为优化问题，该方法相对于其他四种方法在客观和主观质量上表现明显更优。
Sep, 2018
本论文提出了首个可将跨尺度特征相关性与非局部注意力机制相融合的循环神经网络，该模型及其与本地和同尺度非局部注意力结合可以更好地发现单个低分辨率图像中的跨尺度特征相关性，从而显著提高图像超分辨率的性能，并在多项 SISR 基准测试中表现出新的最佳效果。
Jun, 2020
本文提出了一种新的跨尺度图神经网络 (IGNN)，通过动态构建一张跨尺度图并运用边标签聚合 k 高分辨率邻域块，从而实现由 k 个高分辨率邻域块到低分辨率查询块的信息传递，以实现更详细的纹理恢复，从而在标准基准测试中显著优于现有非局部网络等超分辨方法。
Jun, 2020
本文提出了一种基于图卷积操作的全新的可端到端训练的神经网络架构，该架构创建具有非局部感受野的神经元，从而利用网络的强大表示学习能力来发现自相似模式，并通过轻量级的基于边缘条件的卷积来解决梯度消失和过参数化问题。实验结果表明了在合成高斯噪声和真实噪声上的最先进性能和改进的定性和定量结果。
Jul, 2019
利用类别层次的自相似性连接神经点辐射场和神经点，通过学习四维对象重建方法，SimNP 能在提供语义对应的同时重建无法观测到的对称未见的对象区域，优于以往的方法。
Sep, 2023
本文提出了一种基于谱流形学的统一框架，以解决自监督学习方法的局限性并提供有意义的表示学习方法，通过将 VICReg，SimCLR 和 BarlowTwins 等自监督学习方法与谱方法相对应，得到了闭合形式的最佳表示以及线性区间内的网络最佳参数，并揭示了对训练中使用的成对关系以及下游任务性能的影响，以及对于两种谱嵌入方法之间的第一种理论桥梁的暗示。
May, 2022
提出了一种连续 k 近邻图构建方法 CkNN，适用于嵌入欧几里得空间的任意密度流形，证明 CkNN 在几何上是一致的，生成的图能够同时捕捉到流形的所有拓扑特征，并可用于快速聚类和图像中的拓扑模式识别，而且在大数据时限，CkNN 拓扑特征一致，意味着产生的图拓扑同样逼近了流形的拓扑。
Jun, 2016