我们提出了一种名为 FeatEnHancer 的模块，通过使用任务相关的损失函数来层次化地结合多尺度特征，改进低光视觉下的图像表示，从而显著提高了多个低光视觉任务的效果。

Aug, 2023

本研究提出了一种全新的、通过高分辨率图像引导的、精确高效的稀疏深度数据上采样方法，使用结构化边缘检测和语义场景标记来获取目标边缘线索，并将两种线索结合于测地距离度量中，进而在利用局部内容的情况下，实现了保持边界的深度插值，通过将观察到的场景结构建模为本地平面元素，并将上采样任务形式化为全局能量最小化问题，定出全局一致的解决方案，有效地保留了细节和深度边界，实验结果表明，与现有技术相比，本研究方法在不同的应用水平下均表现出卓越的性能。

Aug, 2016

本文提出了一种简单而有效的无监督深度特征传递算法，用于低分辨率图像分类，无需 fine-tuning。首先，我们使用预先训练的 convenet 提取高分辨率和低分辨率图像的特征，然后将它们馈送到两层特征转移网络以进行知识转移。接着，我们直接使用这些传递的低分辨率特征学习 SVM 分类器。该网络可以作为插件特征增强模块嵌入到最新的深度神经网络中，以保持高分辨率图像特征空间中的数据结构，并将良好结构的源域 (高分辨率特征空间) 的区分特征传递到不良组织的目标域 (低分辨率特征空间) 上。通过对 VOC2007 测试集的大量实验证明，所提出的方法比仅使用特征提取的基线方法实现了显著的性能改善。

Aug, 2019

我们提出了一种轻量级且准确的资源高效视觉对应体系结构，称为 XFeat，通过重新审视卷积神经网络的基本设计选择以侦测、提取和匹配局部特征来满足对适用于资源受限设备的快速且稳健算法的关键需求。我们的模型是第一个高效提供半稠密匹配的模型，利用对粗糙局部描述符依赖的新型匹配细化模块，实现了卓越的性能，并在姿态估计和视觉定位中得到验证。

Apr, 2024

本文提出了一种使用多尺度特征融合网络和 BiFPN 来进行实时图像语义分割的方法 ESeg，通过扩展传统的多尺度特征空间来实现，不需要高分辨率和昂贵的空洞卷积。实验证明，ESeg 在多个数据集上的表现比先前的方法更准确，并且实时性能得到提升。

Mar, 2022

我们提出了 DeFeat-Net（深度和特征网络），一种同时学习跨领域密集特征表示和基于扭曲特征一致性的稳健深度估计框架的方法。通过同时学习特征、深度和运动，我们的技术能够推广到具有挑战性的领域，并能够在更具挑战性的序列中优于当前最先进技术约 10％的所有误差度量。

Mar, 2020

本文提出了一种新的鲁棒性编码器解码器结构的神经网络，使用少量的训练示例进行端到端的训练，通过特征融合在 Feature Pooling Module 中提取多尺度特征，实现对相机运动的鲁棒特征池化，免去多尺度输入的需求，通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明，所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。

Aug, 2018

本文提出使用 Feature Fusion with Different Norms (FFDN)，利用多重尺度的丰富全局上下文信息和垂直池化模块来减少在垂直方向上全局上下文编码的复杂度。在城市风景测试数据集上，平均交互并集（mIoU）为 73.1，每秒帧数（FPS）为 191，与目前最先进的结果相当。

Oct, 2022

通过结合空间和谱域信息的双 FNO UNet 架构，我们提出了一种利用操作学习技术的新型深度学习架构，该架构可以在多个分辨率上近似计算分数算子，实现了同时训练多个分辨率的众多优势，使得 DFU 能够在没有训练数据的情况下一致、高保真地进行更高分辨率的图像生成，进一步提高了该模型的零样本超分辨率图像生成能力。

Nov, 2023

本文介绍了一种基于超级特征的深度图像检索架构，只需要图像标签即可训练。超级特征由迭代的注意模块构建，通过对 Super-features 实施对比损失来匹配图像。与局部特征相比，这种方法在存储空间方面具有显着优势，并在常见地标检索基准上表现出比现有方法更好的效果。

Jan, 2022