- 适应性提取网络用于多元长序列时间序列预测
多分辨率卷积和可变形卷积操作的自适应时变卷积网络（ATVCNet）在多变量时间序列的局部 / 全局时间依赖和变量间依赖建模方面取得了显著改进，通过不同扩张因子的卷积核扩大感受野以捕捉不同分辨率间的时间相关信息，并通过附加的偏移向量自适应调整 - 肺结节检测中针对难样本的改进集中
通过引入可变形卷积和自适应学习，提出了一个对肺结节进行检测的改进方法，该方法注重难样本和数据集，在 LUNA16 数据集上的实验表明，该方法具有竞争性的性能。
- DeformUX-Net：带有深度可变卷积的医学图像分割 3D 基础骨干的探索
本文介绍了 3D DeformUX-Net，一种创新的体积卷积神经网络模型，它灵活地处理了传统上与 ViTs 和大内核卷积相关的缺点，并且在四个具有挑战性的公共数据集上持续优于现有的最先进的 ViTs 和大内核卷积模型。
- 深度完成的可变形卷积再探讨
深度补全是从稀疏深度图生成高质量密集深度图的方法，本文通过重新思考可变形卷积的概念，提出了一个有效的架构，利用可变形核卷积作为单次细化模块，并在大规模 KITTI 数据集上取得了精度和推理速度方面的最新水平。
- DeformableFormer: 用于胰腺疾病内窥镜超声引导下细针活检的分类模型
本研究利用 Deformable Convolutional 神经网络和卷积神经网络的结合对胰腺组织片段的图像进行分类，能够在标染前对未标染的图像进行分类以及提高分类的准确度，能够较大程度上减轻病人的负担和缩短标染完成所需时间。
- CVPRInternImage: 使用可变形卷积探索大型视觉基础模型
本研究提出基于卷积神经网络的 InternImage 模型，采用可变形卷积作为核心操作，实现了大规模参数和训练数据的增益，具有满足检测和分割等下游任务所需的大有效感受野，以及由输入和任务信息条件约束的自适应空间聚合，有效降低了传统 CNN - 基于可变形时间卷积神经网络的单声道嘈杂混响语音分离
本研究提出了一种新的方法，使用可变形卷积解决了语音分离领域中存在固定跨度的问题，通过应用此方法，研究人员获得了优秀的性能。
- IJCAI基于可变形卷积核区域的视频帧插帧
本文通过重新审视可变形卷积技术，旨在解决图像中卷积核区域位置的网格限制问题，以期更好适应物体形状不规则性和运动不确定性，从而提供更准确的插值画面。实验结果表明，相比于现有的其他技术，在四种数据集上所提出的模型表现更为卓越。
- 基于可变形卷积和粗到细的三维卷积神经网络提升视频帧插值
本研究提出了一种使用可变形卷积的视频帧插值方法，使用粗到细的 3D CNN 增强多流预测，实验结果表明，该方法的干涉性能优于其他现有算法，最高可以获得 0.19dB 的 PSNR 增益。
- CVPR可控时空视频超分辨率的时间调制网络
本文提出了一种使用 “时间调制网络” 的方法，结合弯曲卷积和局部时间特征比较模块来处理视频的短期和长期动作线索，以提高低分辨率和低帧率视频的空间和时间分辨率，实验结果表明，该方法的性能优于现有的 STVSR 方法。
- CVPRDG-Font: 非监督式字体生成的可变形生成网络
提出了用于无监督字体生成的新型可变形生成网络（DGFont），利用特征变形跳过连接（FDSC）和可变形卷积层等技术，生成高质量和完整结构的字符图像。
- PDWN: 金字塔可变形配准网络用于视频插帧
通过金字塔可变卷积结构和上下文增强网络，我们提出了一种称为 Pyramid Deformable Warping Network（PDWN）的轻量而有效的模型，可用于视频帧插值。该方法使用粗到细的连续细化来生成未知中间帧相对于已知帧的 DC - 畸变感知的全景图像单目深度估计
这篇论文提出了一种新的网络模型 (DAMO) 来解决室内全景图像中对象失真的问题，该模型采用扭曲卷积来处理几何失真，进一步引入了基于球形感知的权重矩阵来处理由球体投影引起的不均匀分布，在 360D 数据集上实现了效果最佳的表现。
- 视频超分辨率中的可变形对齐理解
本研究对变形卷积与经典基于光流的卷积之间的联系进行了探究，发现变形卷积可以分解为空间变形和卷积的组合，具有与基于光流的卷积相似的表达式，但它们在偏移多样性方面有区别。实验证明，增加变形对齐的多样性可以获得更好的结果，同时提出一种偏移保真度损 - 单图像去噪的空间自适应网络
本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获 - CVPRUPSNet: 一个统一的全景分割网络
本文提出了一种统一的全景分割网络（UPSNet），通过在单个骨干残差网络上设计基于可变卷积的语义分割头和基于 Mask R-CNN 的实例分割头，同时解决这两个子任务，并引入了一个无需参数的全景头来通过像素级分类解决全景分割，可帮助更好地解 - 可变形卷积神经网络
本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行