通过深度学习，本研究提出了 DPF-Nutrition 这种基于单目图像的营养估计方法，通过引入深度预测模块和 RGB-D 融合模块，在食物的部分估计和营养估计方面提高了准确性，并在 Nutrition5k 数据集上进行了广泛的实验评估。

Oct, 2023

该论文通过利用各种神经网络结构来预测餐食图像的营养含量，提高了膳食摄入估计的效力，并展示了其在改善膳食摄入估计准确性方面的潜力。

May, 2024

本文提出了一种通过使用 “能量密度地图” 和深度图来自动估算食物能量的技术，同时将其与基线方法相比较，实验结果显示其性能得到了显著提高。

Aug, 2022

通过改进的编码器 - 解码器框架，我们能够从单个单目图像中估算食物的能量信息，通过在易于提取的格式中嵌入图像并由解码器提取能量信息，实现超过 10% 的改进，MAPE 上高于以往的能量估算方法超过 30 kCal 的改善。

Sep, 2023

通过使用单目图像进行三维形状重建，我们提出了一种端到端深度学习框架，用于从食物图像中估计食物能量，其在公开的食品图像数据集 Nutrition5k 上评估结果显示，我们的方法具有竞争力的性能，只需使用 RGB 图像作为推理阶段的唯一输入。

Aug, 2023

准确的膳食摄入估计对于支持健康饮食的政策和计划至关重要，然而，自我报告方法存在严重的偏倚。为了解决这个问题，本文介绍了 NutritionVerse-Synth，这是第一个大规模的数据集，包含 84,984 张真实感合成的 2D 食物图像，以及相关的膳食信息和多模态注释。通过利用这些新颖的数据集，开发和评估了 NutritionVerse，包括间接基于分割和直接预测网络的各种膳食摄入估计方法。最后，发布了这两个数据集（NutritionVerse-Synth、NutritionVerse-Real），作为加速机器学习在膳食感知方面的开放倡议的一部分。

Sep, 2023

本研究提出了一种端到端的多任务学习框架，可以同时实现食品分类和食品份量估计，通过使用 L2 范数的软参数共享和特征适应方法，提高了图像饮食评估的性能和预测准确率。

Apr, 2020

该研究提出了一种基于视觉的方法，利用 2D 图像来估计食物重量，采用深度学习和计算机视觉技术，使用 Faster R-CNN 进行食物检测和 MobileNetV3 进行重量估计，该方法在提供准确食物重量估计方面表现出强大的能力，并可用于医疗保健、健身和智能食物存储等领域。

May, 2024

我们在内窥镜成像中解决了准确性和鲁棒性方面的关键挑战，特别强调了实时推断和反射的影响。我们提出了一种创新的轻量级解决方案，通过整合卷积神经网络（CNN）和 Transformer 来预测多尺度深度图。我们的方法包括优化网络架构，引入多尺度膨胀卷积和多通道注意机制。我们还引入了一种统计置信度边界掩模，以最小化反射区域的影响。此外，我们提出了一种新颖的复杂度评估指标，考虑了网络参数大小、浮点操作和推断帧率。我们的研究旨在显著提高腹腔镜手术的效率和安全性。我们对我们提出的方法进行了全面评估，并与现有解决方案进行了比较。结果表明，我们的方法在保持轻量级的同时确保了深度估计的准确性。

Aug, 2023

本研究旨在通过分析移动设备（如智能手机）捕获的食物图像来改进膳食评估的准确性，提出了一种新的基于卷积神经网络的食品图像识别算法，并将该方法应用于两个真实数据集（UEC-256 和 Food-101）中，取得了令人瞩目的结果。

Jun, 2016