该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

Mar, 2015

通过混合卷积网络从单个输入图像中同时解决深度估计和语义分割两个重要任务，改善了特征提取过程，实验结果表明 HybridNet 的性能与最先进方法以及其基于的单任务方法相当。

Feb, 2024

本文提出了一种集成多尺度去噪器的新方法，用于联合图像压缩和去噪。通过强调噪声与干净图像之间的相关性，采用对比学习的方式来提高网络区分噪声与高频信号的能力，实验证明该方法在失真性能和编解码速度方面优于当前的最新技术水平。

Feb, 2024

本文提出了一种新的多任务、多阶段神经网络，能够在单次前向传递中同时处理语义分割和基于视觉的航拍图像地理定位两个问题，并在卫星图像中实现商用 GPS 级别的本地化精度以及在 Inria Aerial Image Labeling 数据集和 Massachusetts Buildings 数据集上达到领先水平的分割效果。

Apr, 2018

本文介绍了一种新模型：HybridNet，它是一种双分支编码器 - 解码器架构，利用未标记的图像数据改善图像分类器的泛化性能。它在各种半监督设置中优于现有技术，并提出一种新的训练目标。

Jul, 2018

深度补全是自动驾驶中关键的任务之一，旨在将稀疏的深度图转化为密集的深度预测。通过基于 RGB 图像的融合，我们提出了一种简洁而有效的网络结构 CENet，实现了高性能深度补全，具有优秀的准确性和效率。

Jan, 2024

本文提出了一种联合分类、检测和语义分割的方法，其中编码器在三个任务之间共享。该方法非常简单，可以端到端训练，在具有挑战性的 KITTI 数据集中表现良好，在道路分割任务中优于现有技术。而且，我们的方法非常高效，执行所有任务只需要不到 100 毫秒。

Dec, 2016

本文提出了一种新的 CNN 模型结构 ——CompNet，即复合卷积神经网络，用于处理既包含图像也包含设计特征的分类任务，结合使用图像的学习特征权重设计特征，以充分利用所有可用信息，并显著减少过拟合现象。对 LIDC 数据集进行实验验证并与类似方法进行比较，结果表明，该模型在分类任务中的表现优于其他方法。

Sep, 2022

本文提出了一种名为 TD-CEDN 的深度轮廓检测算法，该算法采用自上而下的完全卷积编码器 - 解码器网络，并在多尺度、多级特征学习以及前向传播阶段获得原始特征图，然后采用自下而上的方式进行解码，并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测，从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。

May, 2017

本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。

May, 2019