- 数据缺乏科学应用的不变多尺度神经网络
机器学习在现代世界的成功主要取决于数据的丰富性。然而，在许多工业和科学问题中，数据量有限。通过具有对称性知识的等变神经网络，可以更有效地将机器学习方法应用于数据稀缺的科学问题，其中，我们建议结合具有对称性意识的不变体架构和扩张卷积堆栈是一种 - SGRU：用于交通流预测的高性能结构化门控循环单元
提出了一种名为 SGRU 的结构化门控循环单元，通过结构化 GRU 层和非线性单元以及多层时间嵌入来增强模型的拟合性能，在加利福尼亚四个公开交通数据集上的实验结果表明，该模型的性能优于基线模型，平均改进了 11.7％，18.6％，18.5％ - SODAWideNet -- 不需 Imagenet 预训练的带注意力扩展的 Wide 编码解码网络中的显著目标检测
提出了一个新的显著目标检测（SOD）模型 —SODAWideNet，它采用从头开始训练的神经网络，通过扩张卷积和自注意力机制等技术实现浅层网络，取得了与最先进模型相媲美的性能。
- 多尺度 MRI 重建基于扩张集合网络
通过使用扩张卷积来保持分辨率，并使用复杂卷积进行实验，我们介绍了一种高效的多尺度重建网络。与常见的重建架构和最先进的多尺度网络相比，该模型在三倍效率更高的情况下表现出色。当具有更多相位信息时，复数网络得到更好的定性结果。
- 一种基于递归融合扩张卷积和信道注意力的高效语音分离网络
本文介绍了一种高效的语音分离神经网络，采用了扩张卷积、多尺度融合和通道注意力等多种方法，可以克服卷积网络的有限感受野和变换器网络的高计算成本问题，实现局部和全局特征的学习，并通过通道的注意力权重学习关键的特征来提高网络的表达能力和鲁棒性，实 - CVPR卷积神经网络中的内容自适应下采样
该论文提出了一种适应性下采样方案，通过允许以更高的分辨率处理信息丰富的区域而不是信息较少的区域，从而提高了各种已建立 CNN 的成本 - 准确性权衡效果。
- CVPRCASSOD-Net: 嵌入式视觉系统和应用的级联可分离扩张卷积结构
通过提出 CASSOD 卷积网络和专用硬件系统，解决了处理 FOV 较大的问题需要花费与标准卷积相比的额外时间的问题。
- ECCV服装图像不规则孔洞修复基准测试
该研究提出使用扩张版本的局部卷积来提升服装图像修复的效果，并在著名的时尚数据集上进行了广泛的基准测试，实验证明该方法可以降低掩模更新所需的层数，尤其在掩模尺寸为图像的 20％或更多时可以实现更好的定量修复性能。
- 图像细粒度修复
本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。
- ICCVDeepGCNs: 让 GCNs 达到与 CNNs 相同的深度
本篇论文介绍了如何将残差 / 稠密连接和扩张卷积等深度卷积神经网络中的概念应用于图卷积网络中，从而成功地训练出多达 112 层的深度图卷积网络，该方法在多个数据集和任务中展示出了非常良好的表现。
- CVPR随机化数据上的卷积神经网络
本文研究卷积神经网络在像素随机排列情况下的性能表现，发现图像的随机像素分布破坏了数据的分层结构并引入了长程相关性，使标准 CNN 难以捕捉，但膨胀卷积可以恢复一些像素相关性，从而提高性能。
- TransNet：一种快速检测常见镜头转换的深度网络
本文提出了一种简单的模块化卷积神经网络架构，采用膨胀卷积，仅在小的缩放帧上运行，并使用 TRECVID IACC.3 数据集的选定段随机生成的转换来进行训练，实现了在单个中等 GPU 上具有高于实时推断速度的 RAI 数据集上的最新结果。
- 快速 FCN: 重新思考语义分割干骺骨中的膨胀卷积
通过提出一种新的联合上采样模块 JPU，替代传统的扩张卷积，从而减少计算和存储空间的使用，同时提高语义分割模型的性能。实验证明，该方法在 Pascal Context 数据集和 ADE20K 数据集上达到了最先进的性能，并且更快。
- 用于图像分割的膨胀卷积平滑优化
通过引入额外的平均层，我们提出了一种可以显著提高图像分割的扩张卷积效能的解决方法，其采用的低成本平滑方法具有比以前方法更高的计算效率。
- 使用膨胀卷积和门控技术实现高效的关键字检测
本文探讨了利用端到端无状态时间建模来进行小尺寸关键词检测的应用，提出了一种新的模型，该模型受到了序列建模领域内扩张卷积的启发，通过增加门控激活和残差连接来训练更深层次的架构。实验结果表明，该模型优于使用 LSTM 单元的循环神经网络，具有更 - 图像去噪的增强 CNN
本文提出了一种名为增强卷积神经去噪网络（ECNDNet）的新方法，通过使用残差学习和批量归一化技术提高了训练效果并加速了网络的收敛。此外，提议的网络使用扩张卷积增大了上下文信息，降低了计算成本，并在广泛实验中证明了 ECNDNet 优于图像 - KDD平滑膨胀卷积以提高密集预测性能
本篇研究针对膨胀卷积存在的网络粗颗粒化问题，提出了两种去网格化方法和 shared and separable operations 和 SS output layer 的概念，并且经过有效接受域分析和实验验证，发现这些方法和概念能够有效地 - ICML随机 WaveNet: 序列数据生成潜变量模型
本文提出了一种新的序列数据模型架构，称为随机 WaveNet，其中随机潜在变量被注入到 WaveNet 结构中，实现了强大的分布建模能力和并行训练的优势，同时在自然语音生成和高质量人类手写样本生成方面取得了最先进的表现。
- 轻量级像素上下文编码器用于图像修复
本研究提出 Pixel Content Encoders (PCE)，一种轻量级图像修复模型，采用扩张卷积来保留空间细节信息，可用于图像修复和图像扩展。
- NIPS更新 VESICLE-CNN 突触检测器
本研究介绍了一个新版本的 VESICLE-CNN 算法，通过使用扩张卷积技术，将其转化为全卷积形式，在不降低空间分辨率的同时，实现了与原始算法相当的性能，并在测试时间上获得了 600 倍的加速。