本文介绍了一种新的 TPS++ 变换，利用注意力机制进行文本纠正，提高了对视觉文本不规则性的处理能力并在公共基准测试中实现了最先进的识别精度。

May, 2023

提出了一种新的端到端无监督运动转移框架，通过使用细板样条运动估计来使光流更加灵活，提高源图像的特征融合，并设计额外的辅助损失函数来生成高质量的图像。实验结果表明，该方法在大多数基准测试中表现更好，pose 相关指标出现明显改进。

Mar, 2022

本研究提出了一种转换特定的平滑框架 TPC，可提供紧密且可扩展的鲁棒性保证，用于针对语义变换攻击的点云模型。

Jan, 2022

本文提出了一种基于时序伪监督的方法（TPS）来进行视频语义分割，该方法可以在适应有标签的源域到无标签的目标域时，通过跨视频帧产生伪标签的方式缓解数据标注的限制，从而提升了处理多样性目标数据时的准确率。实验证明，TPS 比现有技术更稳定，更简单易实现，且具有更高的视频语义分割准确率。

Jul, 2022

学习为基础的弹性扭曲的潮流趋势使得深度图像拼接能够对曝光差异较大的图像进行对齐。然而，这些方法在处理重叠区域和非重叠区域之间的间断时存在困难，因为应用的训练策略主要关注重叠区域的对齐，所以需要额外的模块来隐藏间断并填充空洞。本文提出了一种使用 Dirichlet 边界条件并通过残差学习进行循环误差校正的循环弹性扭曲（REwarp）方法，用于解决这个问题。具体而言，REwarp 根据边界约束预测出一个单应性变换和一个 Thin-plate Spline（TPS），用于实现无间断和无空洞的图像拼接。我们的实验证明了 REwarp 与现有拼接方法相比具有有利的对齐效果和竞争性的计算成本。我们的源代码可以在此 https 网址上获得。

Sep, 2023

提出了一种基于变压器（Transformer）的符号回归规划策略（TPSR），它融合了蒙特卡罗树搜索，允许将准确性和复杂性等非可微反馈信息整合到方程生成过程中，并且在多个数据集上进行的广泛实验表明，TPSR 方法优于现有的方法。

Mar, 2023

基于图像标注数据有限的半监督框架下，该论文提出了一个两阶段的基本解决方案，其中生成阶段利用图像字幕模型为未标注图片生成伪文本，检索阶段则使用增广数据进行完全监督的检索学习。而引入了噪声干扰的伪文本的框架，则提出了一个增强检索模型处理噪声数据能力的噪声鲁棒检索框架。该框架结合了混合 Patch-Channel 掩蔽和噪声引导渐进式训练两个关键策略，以防止过度拟合噪声监督，并根据伪文本的噪声水平引入渐进式训练进程。在多个 TBPS 基准测试上的广泛实验表明，该框架在半监督设置下取得了可观的性能。

Apr, 2024

通过对数据进行一系列的小波变换，提出一种使用张量网络进行监督学习的算法，其中使用了矩阵乘积状态来处理粗粒化的数据，并使用基于密度矩阵重整化群算法的自适应算法来训练 MPS。

Jan, 2020

通过在高度表达的流形空间中建模源图像到驱动帧的运动，我们提出了一种新的方法以增强图像动画的表现力，进而使用连续分段仿射基模型 (Continuous Piecewise-Affine based, CPAB) 进行运动建模，并结合 SAM 引导的关键点语义损失和结构对齐损失的约束，以生成更符合驱动动作的结果。实验结果在四个数据集上定量和定性地证明了我们的方法对当前最先进的竞争方法的有效性。

Jan, 2024

本文提出一种 Temporal Patch Shift（TPS）方法，用于在 transformer 模型中对视频进行高效的三维自注意力建模，可插入到现有的二维 transformer 模型中以增强时空特征学习，该方法在计算和内存成本上比现有方法更加高效，同时在 Something-something V1＆V2、Diving-48 和 Kinetics400 上取得了与最先进水平相当的性能。

Jul, 2022