- EMNLP针对网页搜索有效高效的查询感知片段提取
DeepQSE 提出了一种有效的查询感知网页片段提取方法，其核心思想是将查询感知的片段提取任务分解为两个阶段，并建立查询感知的句子表示，经过实验验证，该方法具有效率和有效性。
- CVPR快速、灵活、稳健的低光图像增强
本文提出一种新的自校准照明（SCI）学习框架，用于在低光环境下快速，灵活和准确地增强图像，通过耦合权值共享的级联照明学习过程来实现此任务，从而极大地减少计算成本，提高模型适用性。
- ICLR无需训练的自适应视觉 Transformer
提出了一种名为 As-ViT 的自动缩放框架，用于设计和扩展 Vision Transformers (ViT)，并在分类和检测任务上获得了强大的性能，其模型设计和缩放过程仅需 12 小时的训练。
- EMNLP自然语言处理的安全高效联邦学习框架
本文介绍了一种名为 SEFL 的安全高效联邦学习框架，它消除了训练所需的可信实体，提高了模型准确性，又能适应客户端退出等问题。通过 NLP 任务的实验研究表明，SEFL 与现有的 FL 方案具有可比性，且提出的剪枝技术可以提高运行时性能高达 - POEM: 基于期望最大化的 1 比特逐点运算用于高效点云处理
本研究提出基于 Expectation-Maximization 算法的点对点操作，用于改善点云二值化神经网络的高斯分布权重和不可学习的缩放因子等限制，以提高点云处理的效率和表示能力，并在实验中取得了显著的优势。
- 高效、高分辨率图像融合的空间分隔曲面渲染网络
本研究提出一种名为 S$^2$CRNet 的高效高分辨率图像和谐化神经网络，其使用空间分离的嵌入和曲线渲染模块来生成参数，并在合成图像和真实图像测试集上取得了最佳表现。
- 高效视频预测的精准格点学习
该论文提出了一种新的网格关键点学习框架，通过引入随机性，生成长期高质量预测，有效地降低计算资源消耗，并在机器人辅助手术数据集上验证了该方法的有效性。
- CVPR基于深度空间的人员重新识别架构搜索
为了设计轻量级的适合于人物重识别的网络架构，本文提出了一种名为 Combined Depth Space (CDS) 的搜寻空间，并通过差分可搜索算法搜索出一种高效的网络架构 CDNet，分别采用 Top-k Sample Search 分 - AAAI基于类别特定卷积的高效深度图像去噪
本文提出了一种基于像素分类的高效深度神经网络用于图像去噪，通过使用 Class Specific Convolution (CSConv) 图层替换已存在去噪网络的卷积图层以及 U-net 像素分类器，能够降低计算成本并且不会牺牲去噪性能。
- EVRNet: 边缘设备上高效的视频恢复
介绍了一种高效的视频恢复网络（EVRNet），其能够在实时传输丢失图像数据的情况下，使用对齐、差分和融合模块来还原视频，并与现有方法相比具有更高的性能和更少的参数和 MAC 数。
- 基于状态图的跨领域对话状态跟踪
本文探讨了利用关系图与 relational-GCN 图卷积网络构建聊天机器人多域对话跟踪模型的方法，实验结果表明，该方法实现了新的最佳性能，优于使用现有方法提出的深度学习技术的性能。
- 基于骨架的动作识别姿态优化图卷积网络
本研究提出了一种高效的图卷积网络 Pose Refinement Graph Convolutional Network，通过逐步融合运动和空间信息以及尽早减少时间分辨率的并行结构，显式处理姿势误差，从而比其他图卷积网络具有更好的权衡精度， - ECCV使用像素注意力实现高效图像超分辨率
本研究旨在设计一种轻量级卷积神经网络，用于图像超分辨率，提出了一种像素关注机制用于构建简洁且有效的网络，并分别提出了基于像素关注的主干和重建分支的构建块。该模型具有较好效果且参数量只有 SRResNet 和 CARN 的 17.92％和 1 - 二值随机过滤器：特征选择及其它
本研究提出了一种利用稀疏正则化方法进行特征选择的神经网络扩展方法，比传统方法更为高效且可用于任何现有结构，同时能够直接应用于神经元修剪和光谱数据的重要区域选择。
- 混合关联模型用于序列推荐
本文提出了基于混合关联模型的顺序推荐方法，利用用户长期偏好、近期评价的高阶 - 低阶关联模式和物品之间的协同作用生成推荐结果，明确实验结果表明这种方法在效率和精度上都超过了最新的状态 - of-the-art 方法，具有较高潜力。
- 图像超分辨率的高效残差密集块搜索
针对移动设备中深度学习在单图像超分辨率中存在的计算和内存消耗问题，我们提出了一种高效的残差稠密块搜索算法，以寻找快速、轻便和准确的超分辨网络，通过演化算法自动搜索池化和上采样操作，通过块信用来指导进化，实验证明该方法有效，找到的超分辨模型在 - CVPR学习用于视觉问答的稀疏专家混合模型
本文提出了一种模块化的神经架构，特别针对 VQA 任务中的卷积神经网络模块，通过网络的稀疏性提高了模型的运行效率，实验表明其可与传统的 CNN VQA 模型相媲美。
- 透过循环隐空间传播实现高效视频超分辨率
本文提出一种高效的视频超分辨率算法，通过引入高维潜在状态来隐式地传播帧之间的时序信息，以解决复杂的运动补偿问题和高计算负荷的限制，并且在超过 70 倍加速的同时，优于现有的最先进方法 DUF。
- 基于二进制代码的大规模 Top-N 推荐候选生成
本文介绍了一个称之为 CIGAR 的候选生成和重排序框架，此框架可以生成更高质量的候选集并使用实数值排序模型进行重排序，提高了推荐系统中 Top-N 模型的准确性和速度。
- CVPR快速场景理解的空间采样网络
我们提出了一种网络架构，用于执行高效的场景理解，包括改进的引导上采样模块，新的基于空间采样的实例分割模块和高效网络设计，并测试其在不同数据集上的性能，该网络是目前发表的场景理解中最高效的架构之一，对于语义分割比最快的竞争对手准确性高 8.6