- 遗传编程学习交通信号控制
该研究提出了一种基于学习的方法，用于复杂交叉口的信号控制，通过设计一种可解释的树状紧急程度函数，并利用遗传编程进行优化，相比交通领域中的先进方法和一种已知的深度强化学习方法，实验结果表明这种方法能够提高交通信号控制的性能。
- ICLR通过等变椭圆抛物线界面预测进行刚性蛋白质相互作用对接
本研究提出了一种名为 ElliDock 的新型基于学习的方法，用于预测蛋白质 - 蛋白质对接界面，并在推断时间上显著快于其他方法，特别适用于抗体 - 抗原对接。
- AAAI利用极化材料线索进行鲁棒汽车检测
通过利用三色线性偏振作为额外提示，作者提出了一种新的基于学习的车辆检测方法，该方法可以解决车辆检测算法在光照 / 天气条件和车辆密度变化大的场景中的稳定性和准确性问题，通过多模态融合网络动态集成颜色和偏振特征，能够探索所有学习样本中车辆的固 - 多核光纤内窥镜中无需校准的定量相位成像技术的端到端深度学习
通过多芯光纤实现的定量相位成像（QPI）是一种新兴的无创内窥镜成像模式。我们展示了一种基于学习的 MCF 相位成像方法，将相位重构时间显著缩短至 5.5 毫秒，实现了 181 帧每秒的视频级成像。此外，我们引入了一种创新的光学系统，自动生成 - DiffusionPhase: 频域中的运动扩散
本研究介绍一种基于学习的方法，用于从文本描述中生成高质量的人类运动序列，通过在频域上进行文本条件下的人体运动生成，实现了更多样化和平滑的运动序列生成。
- 基于学习的噪声图像保真超分辨率
我们提出了一种学习方法，能够在保留图像特性的情况下，对带有噪声的低分辨率图像进行超分辨率处理。通过定量度量（如归一化交叉相关性、归一化均方误差、峰值信噪比、结构相似度特征相似度、通用图像质量等），我们训练网络提升低分辨率噪声图像的分辨率，同 - 多样化可变形形状集合的无监督表示学习
我们介绍了一种新颖的基于学习的方法，用于编码和操作 3D 表面网格。我们的方法专门设计用于创建可解释的可变形形状集合的嵌入空间。与以前需要网格处于一对一对应关系的 3D 网格自编码器不同，我们的方法是以无监督的方式训练的，可以处理各种各样的 - AirIMU：学习惯性里程计的不确定性传播
准确的不确定性估计是实现多传感器系统（如视觉或激光雷达惯性测距）中获得最佳信息融合的基础。本研究基于学习方法，以数据驱动的方式构建与传播协方差，减小了惯性测距在漂移速率上的误差，为惯性测距领域的先进发展奠定了基础。
- 行星车快速且最优的基于学习的路径规划方法
智能自主路径规划的关键是提高行星探测器的探索效率。本文提出了一种基于学习的方法，用于在高程地图中快速搜索最优路径，称为 NNPP 模型。该模型通过大量预注释的最优路径示范中学习起点和目标位置的语义信息以及地图表示，并生成每个像素的概率分布， - 铁路轨道上的障碍物检测中的本地和全局信息
铁路上可靠的障碍物检测可以帮助防止导致伤害、潜在的损坏或脱轨的碰撞。我们提出利用浅层网络从正常的铁路图像中学习铁路分割，并通过学习虚构无障碍图像的全局信息的受控包含来改进方法。我们在一个包含人工增强障碍物的铁路图像数据集上评估我们的方法，结 - 基于对抗学习方法的单目 RGB 图像实际可行的三维人类场景重建
通过使用隐式的场景元素特征表征来区分合理和不合理的人体和物体对齐，在机器人感知中提出了一个以图形为基础的整体三维人体场景重建的方法，该学习方法实现了与现有基于优化的方法相当的三维重建质量，且不需要推理时间优化，适用于机器人导航等潜在应用中。
- 基于深度学习的组间配准用于胶质瘤纵向 MRI 分析
本研究提出了一种纵向、基于学习的、集群式的 MRI 图像配准方法，可以在不到一分钟的时间内完成高质量的配准，提供了一种替代传统工具箱的新途径，以更准确地量化并了解神经胶质瘤的生长。
- BeliefPPG: 利用信念传播机制进行脉搏波形信号心率测量的不确定性感知方法
提出一种采用学习方法的新型心率估计方法，利用隐马尔可夫模型及神经网络对光电脉搏信号分析后得出概率分布，结合信念传播算法对估计结果进行时间上的统计分析。实验证明该方法具有较高的鲁棒性。
- CVPR肖像可控光扩散
提出一种基于学习的光扩散方法来改善肖像照片的照明，使得整个场景的光照得以保留，同时柔化过于强烈的阴影和高光，并设计一种方法来生成逼真的外部阴影。最终实现提高高级视觉应用程序如反照率估计、几何估计和语义分割的鲁棒性。
- 昂贵多目标优化的 Pareto 集学习
本文提出了一种基于学习的方法，将分解式多目标优化算法 (MOEA/D) 从有限种群推广到模型，以近似整个 Pareto 集，为决策者提供灵活的决策，并展示实验结果。
- 结构化地形运动的神经场景表征
本文提出一种基于学习的方法，重建移动机器人行进城市环境中的局部地形，通过算法估计机器人周围的地形，采用 4D 全卷积网络，可以利用合成数据进行训练，并在机器人上取得良好效果。
- 测试时间增强中更好的聚合
本论文提出了一种基于学习的测试时间增强方法，通过实验分析发现了传统简单平均的不足，在进行测试时间增强时，即使使准确率有所提高，也会使许多正确的预测变为错误的预测，探讨了这种现象的原因，并在各种模型、数据集和增强方法上验证了本方法的稳定性和准 - ECCVDeepGMR: 学习用于配准的潜在高斯混合模型
引入了 DeepGMR 算法，该算法是首个显式利用概率注册范例的基于学习的点云配准方法，利用混合高斯模型模拟两点云之间的概率分布，通过神经网络和两个可微计算块进行配准，从而实现产生全局注册方法的目的。该方法在合成和真实数据上均表现出比几何和 - 野外的 NeRF: 用于无约束照片集合的神经辐射场
本论文提出了一种基于学习的方法，利用无组织的野外照片合成复杂场景的新视图，并介绍了一系列扩展 NeRF 的方法以解决自然图像中的一些问题，最终成功地构建了名称为 NeRF-W 的系统，能够从互联网上的无组织照片集合中重建场景并呈现接近于照片 - 使用少量数据分块训练的交互式视频风格化
本文提出了一种基于学习的视频样式化方法，可以将风格从少数几个所选关键帧传播到序列的其余部分，实现了实时推理和时态一致性等优点。