- 层归一化的几何和动力学
一篇技术说明旨在提供对深度神经网络中常见的 LayerNorm 函数更深入的直观理解，通过开发新的数学表达和几何直觉，使其净效应更透明，强调当 LayerNorm 作用于 N 维向量空间时，所有 LayerNorm 的结果位于 (N-1) - 高效可扩展的中文字形矢量生成通过组件合成
通过组件组合，提出了一种高效且可扩展的中文向量字体生成方法。该方法通过学习组件的仿射变换并应用于贝塞尔曲线，能够生成大规模复杂的中文字符，在字体生成和零样式字体扩展方面显著优于现有的方法。
- 仿射变换估计提升视觉自监督学习
通过在自我监督模型中添加一个模块，限制编码表示对仿射变换进行预测，可以提高学习过程的性能和效率，在各种现代自我监督模型中进行实验证明了性能改进，并对仿射变换的组成部分和关键架构设计进行了消融研究。
- 基于似然性的专家支持分布式学习算法的物联网系统传感器校准
该研究针对传感器技术的重要任务，提出一种利用专家知识改进的仿射变换方法，可用于软件校准、基于专家的适应以及联邦学习方法。研究通过模拟和实际数据实验评估了这个解决方案在一个有 8 个相同传感器的多传感器板上的效果，结果显示在模拟和实验数据中都 - 度量对齐样本选择和关键特征抽取在方向目标检测中的应用
本文提出了一种解决精细定向目标检测问题的方法，在形状和旋转特征下动态地选择样本，并使用关键特征提取模块和自适应的平滑 L1 损失函数来提高分类和定位的一致性，并在四个旋转目标检测数据集上展示了目标检测器的最先进性能。
- FineMorphs：用于回归的仿射 - 差分同构序列
本文提出了一个名为 FineMorphs 的多元回归模型，利用 shape analysis 中的思想，通过光滑矢量场生成的 diffeomorphisms 对模型状态进行最优 “重塑”，其仿射变换和矢量场通过最优控制进行优化，可以自然地通 - MM基于拓扑特征训练的神经网络学习不同的内部表示吗？
本文在探讨训练机器学习模型时使用拓扑数据分析的特征与使用原始数据的区别，通过神经针线和中心核对齐两种流行度量方法来确定内部表征的相似性，研究表明训练和评估基于拓扑特征的模型与基于原始数据的呈结构性差异，但有时可以通过简单仿射变换来调和这种差 - Point-MA2E: 带遮蔽和仿射变换自编码器用于自监督点云学习
本论文提出了一种基于 Masked 和 Affine 变换的自我监督点云学习模型，通过在输入中添加 Affine 变换和掩模来损坏点云并使用编码器 - 解码器模型重建完整点云，实验证明其在对象分类、小样本学习、鲁棒性测试、部件分割和 3D - 探索神经网络线性特征解缠
本文探讨了神经网络中的线性特征分离问题，提出了一种可学习的遮罩模块来区分线性和非线性特征，证实一部分特征可以提前进入线性可分离空间并与模型分离，从而提出了一种可行的模型剪枝策略，并在四个数据集上获得了良好的实验结果。
- DiverseDepth：利用多样数据进行仿射不变深度预测
本文提供了一种使用单目图像进行深度估计的方法，提供了一个大规模且多样化的数据集 Diverse Scene Depth 进行训练，学习到了不受仿射变换影响的深度信息，并通过多分支课程训练实现了对复杂场景的高质量深度恢复。
- CVPR单个仿射对应关系的相对位姿最小解
利用特征点之间的仿射变换来解决相对位姿估计问题，提出了四种方法并证明了它们的有效性，可以在 RANSAC 循环中用于异常值检测和初始运动估计。
- 改进受限积分的求积
本研究提出了改进的贝叶斯框架，用于估计受限函数的仿射变换并实现四重积分，重点关注非负函数约束和以非负数与有限数为范围的函数约束，最终提出了一种在原始空间下进行超参数优化的新方法，实验结果表明我们的框架比现有的贝叶斯四重积分程序效果更好并且更 - 修正分类器：训练最后一层权重的边际价值
本文提出用 Hadamard 矩阵初始化分类器可以在大多数任务中加速推断，并且该分类器可以在全局比例常数下固定，不会或几乎不会减少准确性，从而获得内存和计算优势。我们还讨论了这对于当前神经网络模型理解的意义。
- ICCV对数模型下图像增强的仿射变换
本文介绍了采用对数模型进行图像处理的方法，通过对数计算得出的均值和方差来自动确定处理的参数，其中包括采用仿射变换进行图像增强的方法。