- 利用偏振 - Unet 进行表面法线重构
本文介绍了一种利用极化成像的端到端深度学习方法来实现物体表面法线的高精度三维重建的方法，并通过定量和定性的评估结果表明，该方法相较于基于物理的方法在整个数据集上能够以最低的平均角误差（MAE）值为 18.06 度来准确重建物体表面法线。
- 超高像素大型多模态模型
高分辨率是大型多模式模型（LMMs）的基础，本论文提出了一种新的框架和优化策略，通过混合适配器从全局视图中提取上下文信息，并引入可学习的查询嵌入来减少图像标记，同时通过相似性选择器选择用户问题的关键标记，实现更好的性能表现。此外，通过交替训 - WDM: 高分辨率医学图像合成的三维小波扩散模型
利用基于小波的医学图像合成框架的扩散模型，可以在高分辨率下生成高质量的医学图像。
- 基于区域注意力和精细化的轻量级人像抠图
我们提出了一个高分辨率人像抠图的轻量级模型，无需使用任何辅助输入，并能在高清视频中实时进行处理。我们的模型采用了两阶段的框架，其中低分辨率网络用于粗糙的透明度估计，后续的细化网络用于改善局部区域。通过利用 Vision Transforme - 复杂地形中增强风场分辨率的机器学习
利用神经网络方法实现在挪威 Bessaker 的实际风电场中将低分辨率风场提升为高分辨率风场，并展示该模型能够成功重构完全解析的三维速度场，并且优于三线性插值，同时通过适当的代价函数可以减少对对抗训练的使用。
- SwinRDM: 将 SwinRNN 与扩散模型结合，实现高分辨率、高质量的天气预测
本文介绍了一种基于数据驱动模型 SwinRDM 的、合成了改进版 SwinRNN 和扩散模型的高分辨率天气预测方法，它在 500 hPa 高度位势（Z500）、850 hPa 温度（T850）、2-m 温度（T2M）和总降水（TP）等关键气 - CVPR提高高分辨率图像修复的特征优化
通过优化神经网络中间特征图的多尺度一致性损失，我们解决了高分辨率下 inpainting 神经网络质量下降的问题，获得了新的最先进结果。
- ICCV高质量分离显著对象检测
本文提出一种新的深度学习框架，用于高分辨率显著目标检测任务，该框架将任务分离成低分辨率显著性分类网络（LRSCN）和高分辨率细化网络（HRRN），实现低分辨率感知和高分辨率精细调整的显著目标检测，基于此框架的实验结果表明，本文所提方法在高分 - PIFuHD: 面向高分辨率三维人体数字化的多级像素对齐隐式函数
该研究论文通过多层次结构体系，从高分辨率的图像中提取细节信息、同时观察到低分辨率图像的整体信息，借助深度神经网络尝试解决现有方法在人体三维建模方面存在的精度与准确预测之间的矛盾，实验结果在单幅图像三维建模领域中，显著超越了现有的最先进技术。
- 多尺度 GAN 用于内存高效生成高分辨率医学图像
本文提出一种新的基于多尺度补丁的生成对抗网络方法，用于生成大型高分辨率的医学图像，尤其是 3D 体积，解决了 GANs 对于大规模医学图像的计算需求问题。
- SuperDepth: 自监督、超分辨率单目深度估计
本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。
- 一种基于梯度的方法，用于建模快速模拟中暗物质晕中的重子和物质
通过在快速模拟上使用有效的重力势能或有效的焓降温的梯度下降，以模仿高分辨率 N 体模拟或水力模拟的精度，可以通过添加类似于天体物理学参数的自由参数来校准快速模拟，从而提高精度和准确性。
- 基于全面逐层逐步生成对抗网络的多可控属性高分辨率人脸补全
本文采用深度学习的方法，利用生成式对抗网络 (GANs) 在高分辨率下控制多种属性（如男性和微笑）来完成高分辨率下具有多种属性控制的面部图像。
- CVPR利用多阶段动态生成对抗网络学习生成时间变换视频
该研究基于 GAN，介绍了一种生成逼真的高分辨率时间流视频的方法，第一阶段生成真实内容的视频，第二阶段利用 Gram 矩阵提高了运动动态和最后生成视频的逼真性。实验证明，该方法优于现有的最新模型。