- 自监督卷积核基于手工特征融合：超声心动图增强左心室高血压病变表型划分
基于自监督学习的卷积滤波器用于医学图像的特征映射预处理，实现了手工特征的一致性提取和心肌病分类的优越性能。
- DWA：差分小波增强图像超分辨率
本研究介绍了差分小波放大器（DWA），这是一种用于基于小波的图像超分辨率（SR）的即插即用模块。DWA 激发了一种近期受到较少关注的方法，即离散小波变换（DWT）。DWT 为 SR 提供了高效的图像表示方法，并通过 4 倍的空间减小了其输入 - 训练期间自适应排名谱剪枝卷积层
本文提出一种基于张量 Tucker 分解的低参数训练方法，通过自适应剪枝卷积核的 Tucker 秩来降低训练成本，并在保证损失下降的情况下，达到与完整基线模型相当甚至更好的性能。
- 几何图形滤波器和神经网络：极限特性与区分度的权衡
本文通过对图神经网络和流形神经网络在图构建、卷积核和神经网络等方面的分析，得出了一种针对该关系的适当内核及其密集和中等稀疏图的非渐进误差界定理，并探讨了图过滤器的可区别性和近似期望行为之间的权衡关系，并分析了非线性操作的频率混合特性和相同流 - 卷积权重的奇异值分解：一种 CNN 可解释性框架
本文提出一种基于张量的奇异值分解的方法，用于理解卷积层的动态过程和发现卷积特征之间的相关性，以及在图像分类网络中应用超图模型进行可解释性研究。
- CVPR用于快速且通讯高效的联邦学习自适应差分滤波器
本文提出了在卷积滤波器粒度上操作的新比例方法，以补偿联合学习过程中高度稀疏的更新，适应于新的数据领域，实现更高的压缩比率并提高性能。
- CVPR置换、量化和微调：神经网络的高效压缩
通过对权重的重新排列，利用矢量量化方式压缩多层神经网络以在低性能计算平台上运行。在图像分类、目标检测和分割等任务中，相对于现有技术水平，可以将压缩后网络的性能损失降低 40％至 70％。
- 二维湍流中通过被动标量传输学习离散化
使用机器学习方法来学习保持高准确性的数值离散化，适用于 t 字形湍流下的被动标量平流，与传统高阶通量限制平流求解器保持相同的精度，但在每个维度使用 4 倍较低的网格分辨率，并能通过卷积滤波器在 CPU 和加速器上实现接近峰值硬件利用率。
- 基于卷积滤波器分解的尺度 - 平移等变网络
本文提出一种基于 ST 等变卷积神经网络的多尺度图像分类方法，通过卷积滤波器的低频分解和截断，实现了更好的变形鲁棒性和可解释性。数值实验表明，相比常规 CNN，该方法在多尺度图像分类任务中性能显著提高，且模型尺寸更小。
- 图像分析的本地无监督学习
本文提出了一种局部学习算法，结合图像数据和卷积滤波器、块归一化和非线性方法，可以成功地对 CIFAR-10 和 ImageNet 32x32 数据集进行分类，并展示了有关如何使用无标签数据从中学习通用表示的成功转移学习案例。
- CVPRROAM: 循环优化跟踪模型
本文提出了一种基于响应生成和边界框回归的跟踪模型，利用尺寸可调卷积滤波器适应对象的形状变化，同时利用离线训练的循环神经优化器在元学习环境中更新跟踪模型，从而提高更新速度并实现更好的性能。实验证明该方法在多项基准测试中表现优异。
- KDD大规模产品分类与结构化 / 非结构化属性
本文研究了使用基于层次模型和平面模型的两个深度学习模型，以及结合结构化和非结构化特征的卷积滤波的新方法，以解决电子商务中几千个类别和数百万个产品的产品分类问题。
- CVPR多模态无监督图像到图像转换的潜在过滤器缩放
我们提出了一种简单的方法，它能够在不增加超参数的情况下产生高质量的多模态输出，将潜在代码视为卷积滤波器的修改器，从而使源域内容与目标域风格解耦。
- WSDM通过卷积序列嵌入进行个性化 Top-N 顺序推荐
本文介绍了一种卷积序列嵌入推荐模型（Caser），它使用卷积过滤器将一系列最近的物品嵌入到时间和潜在空间中的 “图像” 中，并学习局部特征作为连续模式，这种方法为捕获一般偏好和连续模式提供了统一和灵活的网络结构。实验显示，Caser 在各种 - ECCVSpiderCNN：使用参数卷积滤波器对点集进行深度学习
本文提出一种新的卷积神经网络架构，名为 SpiderCNN，可用于提取点云中的几何特征。该架构采用称为 SpiderConv 的单元，通过对一组卷积滤波器进行参数化并将其扩展到不规则点集上，从而扩展了传统卷积操作的范围，并可用于不具有规则底 - CVPR旋转敏感回归用于定向场景文本检测
本文提出了一种名为旋转敏感回归检测器（RRD）的方法，旨在解决多方向文本探测器中存在的分类问题和面向文本方向的定位问题不相容的问题。该方法通过两个不同设计的网络分支提取具有不同特征的特征，具体地，通过旋转卷积过滤器提取旋转敏感特征的回归分支 - 增强卷积神经网络对质量下降数据集的性能
研究深度神经网络中的噪声问题，提出双通道模型来改善图像分类性能。
- 基于图的全向图像分类
本研究使用基于图的方法来考虑全向相机的几何形式，并将其扩展到深度学习体系结构中，旨在提高全向图像分类的准确性。实验证明所提出的方法优于当前用于全向图像分类问题的技术。
- DeepCorrect: 对抗图像扭曲的深度神经网络模型校正
本文提出了一种称为 DeepCorrect 的方法，通过对权值进行微调，修正深度神经网络中感受野受损图像变形的问题，该方法显著提高了网络的鲁棒性和性能。
- ICLR端到端优化的图像压缩
描述一种图像压缩方法，其由非线性分析变换、均匀量化器和非线性合成变换构成，并使用卷积线性滤波器和非线性激活函数的三个连续阶段构建变换，其中联合非线性性选择实现形式的局部增益控制，利用随机梯度下降的变体优化整个模型以实现训练图像数据库的速率失