本研究提出了一种基于语音语料库分歧的无监督目标感知数据选择方法，使用自监督 Hubert 模型将语音语料库离散化为标签序列，计算 N-gram 概率分布，并计算 N-gram 之间的 KL 散度作为 SCD，从而选择与目标语料库具有最小 SCD 的子集进行注释和训练。与以往的数据选择方法相比，SCD 数据选择方法可以关注更多的声学细节并保证所选集的多样性。在 Common Voice 的不同口音上进行评估，实验结果表明，所提出的 SCD 数据选择方法可以实现 14.8% 的相对改进，与有监督的选择结果相当或甚至更好。

Feb, 2023

使用深度条件形状模型 2.0，结合边缘检测器和基于边缘图的隐式形状函数，在低数据环境中实现医学图像分割的高效率，从而提高数据利用率并取得了比基准方法更好的性能。

Jun, 2024

提出了两种基于神经突触智能和梯度范数的数据估值指标，通过在线聚类和基于考察数据值的分组提出了新的数据选择算法。在线方法使用逐层模型参数更新和每个时期梯度高效地评估数据，可以使用更少的时期和数据子集（例如，19％-59％）加速模型训练，同时在各种数据集中保持等价的水平，还可以扩展到离线 Coreset 构建，只生成原始数据的 18％-30％子集。

Jun, 2023

本文提出了一种名称为 CDS 的新的聚类方法，其使用学习出的判别式相似度对数据集进行无监督聚类，并通过 Rademacher 复杂度对其进行了一般化分析。同时，使用核密度分类的积分平方误差界也可以导出所得到的判别相似度。在使用核函数作为相似度函数的情况下，使用 CDS 聚类方法的有效性已通过实验结果得到证明。

Sep, 2021

本文提出了一种基于累积分布和 Jensen-Shannon 散度的深度卷积神经网络（CJS-CNN）来预测人类对美学的评分分布，并通过基于峭度的新的可靠度敏感学习方法消除了原始人类评分完整数据的要求。实验结果表明，我们的 CJS-CNN 在这个任务中具有良好的表现。

Aug, 2017

利用预训练的文本到图像扩散模型，提出了一种名为 DiffJSCC 的新框架，用于增强信道传输的图像的逼真度，通过利用空间和文本特征以及信道状态信息（如信噪比）对预先训练的稳定扩散模型进行微调，实验证明该方法在感知度量方面显著优于常规方法和以往的深度联合源信道编码方法，尤其在信道条件差和带宽有限的情况下表现出色，即使在 1dB 信噪比下，DiffJSCC 也能以每像素不到 0.008 个符号的速度对 768x512 像素的 Kodak 图像进行高度逼真的重建。

Apr, 2024

通过学习性特征代替手工特征的方法，解决了现有深度超像素方法对训练数据集中统计属性的敏感性，提出了 Content Disentangle Superpixel (CDS) 算法通过构建辅助模态并进行局部 - 全局样式对齐、互信息最小化来分离不变的像素相关性与数据风格，实现了在边界一致性、泛化性和效率方面优于现有方法的结果。

Feb, 2024

基于深度学习的多分辨率联合源信道编码（JSCC）框架通过多任务学习的概念，有效编码并解码不同分辨率的数据，突破了传统分离源信道编码（SSCC）方法在有限块长度数据处理中的次优性和多用户 / 多分辨率数据重构的限制，对于语义通信尤为有潜力，提高语义特征的提取和保留能力。

Aug, 2023

通过 Siamese 架构的 RGB-D 联合学习和密集协同融合 (JL-DCF) 架构，本文提出了两个有效的组件：联合学习和密集的协同融合。综合实验表明，该方案在七个具有挑战性的数据集上将平均 F 值提高了～2.0%，并且在相关的多模态检测任务中也取得了相当甚至更好的性能。

Aug, 2020

本文提出了两种基于深度生成 (deng) 模型的联合源信号编码方案，分别是 InverseJSCC 和 GenerativeJSCC。通过介绍一种基于修改 DeepJSCC 的逆问题方法和一种端到 dalou 训练的 JSCC 方法，本文显示了这些方法在视觉感知质量方面的改进。

Nov, 2022