- ICLRPSTNet: 点云序列上的点空间时卷积
提出了一种名为点时空（PST）卷积的方法，可以用于点云序列的空间 - 时间建模，该方法首先分离点云序列的空间和时间维度，然后采用空间卷积和时间卷积分别捕捉点在三维空间中的局部结构和在时间维度上的动态变化，并将 PST 卷积集成到深度网络 P - 利用梯度匹配和隐式微分来学习生成合成训练数据
本文探讨了各种数据蒸馏技术，包括基于生成式教学网络、梯度匹配和隐函数定理的新方法，实验表明这些新方法比以前的方法更具计算效率并提高了在 MNIST 图像分类问题上训练模型性能。
- ICCV基于物理启发的深度网络的热图像处理
DeepIR 是一个新的热成像处理框架，结合了精确的传感器建模和深度网络图像表示，可用于开展无需训练数据和已知黑体目标的计算机视觉任务，并采用多张图像噪声抑制和超分辨率算法，实现高质量的非均匀校正。
- ICCVSUNet：用于 Rolling Shutter 矫正的对称去畸变网络
本文介绍了一种基于深度学习的滚动快门校正方法，使用两个相邻帧的图像进行矫正，并在全局快门图像的中间时间点上预测出该图像，相较于现有方法具有更好的效果。
- CVPRSOLD2: 自监督遮挡感知线条描述和检测
本文提出了第一种单一深度神经网络同时进行线段检测和描述。通过自我监控训练，我们的方法不需要任何注释的线标签，并且可以推广到任何数据集。在多视图数据集及实际应用中，本方法相较以往的线条检测与描述算法拥有更高的稳定性和匹配度，是向学习特征点方法 - 从原始点云重建的 3D 线框图
PC2WF 是第一个可端到端训练的深度网络架构，用于将三维点云转换成线框模型；该网络把从物体表面抽取的无序三维点作为输入，输出该物体的线框，即由线段连接的稀疏角点。
- 通过零参考深曲线估计学习提高低光图像
该论文提出了一种新颖的方法，称为 Zero-Reference Deep Curve Estimation (Zero-DCE)，它将图像增强的问题转化为深度网络中的图像特定曲线估计问题。该方法通过训练一个轻量级的深度网络，DCE-Net， - Legendre Memory Unit 训练并行化
研究了一种基于 Linear Memory Unit 的 RNN，该模型可以被并行化训练，且具有优异的性能，能够在多项基准测试中超越其他 LSTM 和 Transformer 模型，并使用更少的参数。
- 深度位置关系特征学习实现点云旋转不变性分析
本文提出了一种旋转不变的深度点云网络，通过结合点的位置信息和关系特征的嵌入块，实现了对点云的分类和语义分割，能够在处理点云输入时保持状态 - of-the-art 分类性能。
- 定位实现语音分离的保密锥
使用深度网络在波形领域内，以角度感兴趣和角度窗口大小为输入，同时定位来源并分离个别说话者，以实现无限制数量并在高背景噪声下取得最先进的成果。
- ECCVRGB-D 显著性目标检测的渐进式引导交替细化网络
本文提出一种高效紧凑的深度神经网络来进行 RGB-D 显着目标检测，首先通过从头学习构建轻量级深度流提取有效特征，然后使用指导残差块交替地将 RGB 和深度特征输入，通过分层指导减少互相降解并提高效率，大量实验结果表明该模型在精度和效率方面 - ECCV不要打扰我：在其他行人干扰下的人员再识别
这篇论文提出了一种名为 PISNet 的深度网络，它可以从拥挤的场景中准确地识别目标行人并去除其他人的干扰信息。通过使用 Query-Guided Attention Block (QGAB) 和 Multi-Person Separati - ECCV野外的单视图测量
本文提出了一种基于数据驱动先验的、单视图测量的新方法，通过对 3D 实体的边界框投影进行估计，可以使用仅获取的单个图像在自由状态下恢复场景中的绝对尺度，包括对象的 3D 高度、相机高度和相机参数等信息。
- 可证明一致的部分标签学习
本文提出了候选标签集的生成模型，开发了两种崭新且可证明一致的 PLL 方法，这些方法优越的原因是它们与任何深度网络或随机优化器兼容，并且通过测试生成模型是否匹配给定候选标签集，能够回答 PLL 方法工作的数据集和失败时的原因等问题。
- ECCV基于形状先验变形的 6D 类别目标姿态与尺寸估计
本研究提出了一种基于深度学习的方法，通过创建有关先前学习类别形状先验信息的 3D 对象模型并推断出深度观测和 3D 模型之间的密集对应关系，使得能够从 RGB-D 图像中恢复未看见的物体实例的 6D 姿态和大小。
- ECCV从相机运动和视频对象分割学习物体深度
本论文致力于解决如何从摄像机测量的数据中，使用视频目标分割技术学习估计物体深度的问题，为此我们首先引入了一个多样化的，可扩展的数据集，其次设计了一种新颖的深度学习网络，该网络仅使用分割掩模和不合格的摄像机运动即可估计物体深度，我们的方法可以 - ICML多任务学习的分支学习
本论文提出了一种自动的多任务学习算法，通过提出一种树形结构设计空间和将树形分支操作作为 Gumbel-Softmax 采样过程，实现了可微网络分裂与优化，实现了多任务网络的有效设计。
- 基于单应矩阵估计和注意力学习的深度曝光融合去重影技术
本文提出使用深度神经网络结合单一曝光下多图像曝光融合技术来解决现代相机的动态范围限制问题，并在手机摄影实验中获得了高质量的图像。
- CVPRLUVLi 面部对齐：估计地标位置、不确定性和可见性可能性
本文提出了一种新颖的框架用于联合预测特征点位置、这些特征点位置的不确定性和特征点可见性，使用深度网络学习这些变量，通过我们提出的 Location, Uncertainty, and Visibility Likelihood (LUVLi - CVPR背景抠像：让世界成为你的绿幕
该论文提出了一种使用手持相机在日常环境中通过拍摄照片或视频来创建人物的 alpha 通道。论文使用基于深度学习的对抗性损失训练了两个抠图网络，能够有效地自动抠图，而无需使用绿幕或手动抠图，相比已有的抠图方法取得了显著的改进。