- 多任务切分推理中的高效能量控制：基于微型学习的方法 —— 无人机应用
无人机的能量和计算资源有限制，本研究使用分割推理技术旨在减少计算和能量需求，通过两个不同时间尺度的方法来降低行动空间和计算复杂性，实现能量最小化，以提高任务完成的概率并降低能量消耗。
- 使用修正线性型代价函数，在模拟退火中生成能量景观的梯度，以有效解决 0/1 矩阵分解
0/1 矩阵因子分解应用逻辑 AND 和 OR 作为乘积求和运算符，以揭示影响各种决策过程的因素。通过将矩阵因子分解建模为能量最小化问题，并在理论上利用模拟退火方法实现在足够时间内找到最小解。我们利用现代模拟退火机器中可用的修正线性类型代价 - 基于数据依赖的高阶团选择进行能量最小化的动脉和静脉分割
我们提出了一种基于能量最小化的新型分割方法，通过引入高阶项来融入对分割形状的先验知识，通过推动某些像素集完全位于一个分割或另一个分割中来实现。我们通过添加辅助变量将高阶项转换为次模拟的一阶项，然后使用图割对其进行全局最小化。我们还通过从具有 - 逐步优化学习用于构象能量最小化
传统的能量最小化技术依赖于使用物理模拟器 (oracle) 计算的分子力作为反梯度的迭代优化方法，但这种计算密集的方法需要与物理模拟器进行多次交互。本文提出了 Gradual Optimization Learning Framework - MM基于移动物体的无碰撞视频概要
实时视频摘要算法通过从用户指定数量的管道中提取对象帧来逐帧拼接摘要视频，与全局能量最小化系统相比具有更大的灵活性，该算法可以根据用户的跟踪能力设置对象数量阈值，生成无碰撞、视觉效果良好的摘要视频，实验证明该算法在减帧率方面优于现有方法。
- ICLR通过迭代能量最小化进行序列模型规划
本研究提出了一种将规划与序列模型相结合的方法，基于迭代能量最小化的思路，通过训练掩盖语言模型以捕捉动作轨迹的隐式能量函数，并将规划形式化为最小化能量的轨迹，实现了在不同任务上改进强化学习性能，并证明了通过迭代优化程序能够实现新的任务泛化、测 - ICLR基于能量的测试样本自适应方法用于领域泛化
本研究提出了一种基于能量的样本适应方法，通过将看不见的目标样本适应到源训练模型上，实现领域泛化分类，并通过引入分类潜变量和能量最小化等手段，有效地实现了对样本的量化表示。
- ICML通过能量最小化学习迭代推理
通过建立神经网络的能量模型和迭代计算方法，使得深度学习能够处理算法计算等需要迭代推理的任务，并在离散和连续领域中展现出更准确和可推广的解决方案。
- MM在线原始级别协作感知的 V2X 调度
本文提出了一种基于在线学习的算法，将感知共享传感器的能量最小化作为多臂老虎机问题的一个变体来考虑，以实现基于裸眼级联感知的自动车辆协作，结果表明所提出的算法可以快速学习调度最优协作车辆并节约更多能源。
- 使用单个深度相机实时重建相互作用的两只手的姿态和形状
本论文提出了一种新思路，用于实时跟踪并重构双手的姿态和形状。该方法通过能源最小化框架，将手部姿态和形状模型以及基于深度神经网络的高密度对应预测器嵌入其中，以实现快速运行，实时处理以及自动化调整。同时，文中还提到，该模型得到了场景复杂度不断升 - CVPR未知通用反射率纹理缺失光滑表面的多视角三维重建
本文提出了一种简单且实用的解决方案，在多视角重建中使用基于联合几何和光度约束的能量最小化，利用一个共置的摄像机 - 光线扫描仪设备来克服建立跨视觉对应的问题。我们的优化算法可以从随机初始化中稳健地全局最优地恢复形状和反射率。实验结果验证了我 - 基于时空图割的事件驱动运动分割
本研究开发了一种基于事件的相机的方法，将问题转化为涉及多个运动模型的能量最小化问题，并利用时空图的形式下的输入事件数据的结构迭代地解决事件聚类分配和运动模型拟合两个子问题。实验结果表明，该方法具有很高的灵活性，在不同的场景中能够获取不同运动 - 融合距离和立体数据用于高分辨率场景建模
本文采用最大后验概率方法将低分辨率深度数据与高分辨率立体数据相结合，通过层次求解一系列局部能量最小化问题来产生深度图。通过新的相关函数、自适应成本聚合步骤以及基于场景纹理和摄像机几何的自适应融合方法，提出了一种精度更高的种子生长方法，避免了 - 用于遮挡人物的三维人体姿态估计和定位的时间平滑技术
本文介绍了一种基于能量最小化的方法，用于解决多人姿态估计中的遮挡问题，该方法在时间上生成平滑、有效的轨迹，填补可视性差的空隙，实现了优于其他基于插值的方法的结果；同时，我们提出了合成的 MuCo-Temp 数据集，该数据集是 MuCo-3D - ICLR神经生物学和机器学习中的大型关联记忆问题
提出了一种微观理论，其中只需两体相互作用，就可以有效地描述大型关联内存，具有一定的生物可信度，并实现了能量最小化的动力学。
- CVPRLSM: 低层次视觉学习子空间最小化
本文从新的角度研究低层视觉任务中的能量最小化问题，以可学习的子空间约束取代启发式正则化项，并保留数据项以利用任务的第一原理的领域知识。通过 LSM 框架，可以统一多个低层视觉任务的网络结构和参数，使用完全共享的参数同时训练单个网络，甚至将训 - ICCV基于数据驱动能量最小化方法的参数化主元化
本文提出了一种用于训练参数化能量最小化模型的新策略，该策略结合了能量最小化方法和深度学习技术，并解决了在许多现代数据处理需求方面难以扩展到公共优化算法的双层优化问题。
- Progressive-X: 高效、随时可用、多模型拟合算法
本文提出了一种名为 Prog-X 的算法，通过重复的假设提出、快速拒绝和新假设的整合，探索数据的进展，实现几个有益于现有技术的性质，进而完成几个几何模型的拟合。
- ICCV跨少数图像集学习寻找共同对象
通过能量最小化模型，我们提出一种少样本学习算法，用于从不同的照片中选择一个来自同一对象类的图像，通过数据直接学习潜在函数，提高了模型对少样本物体识别以及对象共定位任务的性能，同时提出一种基于贪婪的优化算法，性能与最先进的结构化推理算法相当但 - PDP: 一个通用的神经网络框架，用于学习约束满足求解器
本论文提出了一种基于图神经网络的通用框架，可用于以完全无监督的方式通过能量最小化解决 CSP 问题，并通过在图模型中传播、减少和预测的方法学习搜索策略，从而比现有的神经网络和基线模型更有效地解决 SAT 问题。