- 盲图像超分辨率的广义期望最大化框架
本文提出了一种基于学习方法的针对盲目全像单幅图像超分辨率重建的端到端学习框架，该方法将学习技术集成到广义 EM 算法中，通过最大似然估计从低分辨率图像中推断出高分辨率图像，并在半监督学习中具有较高的性能。
- ICML深度图表示学习与优化用于影响最大化
该研究提出了一个名为 DeepIM 的新框架，旨在解决学习为基础的影响最大化（IM）方法所面临的困难，该方法可以数据驱动地、端到端地学习多样化的信息传播模式，并设计了一个新的目标函数来推断出在灵活的基于节点中心性的预算约束下的最优种子集。
- 学习在业务流程中的资源分配策略
本文针对大型企业流程中的资源分配问题，提出了两种基于深度强化学习和基于分数的价值函数逼近方法，实验结果表明这两种学习方法在多数情况下优于传统启发式算法解决资源分配问题。
- SURFSUP: 学习新颖表面的流体模拟
我们提出了 SURFSUP 框架，该框架使用有符号距离函数隐式地表示对象，以更准确地模拟流体和对象之间的相互作用，并通过数据训练具有泛化的能力。
- SyreaNet：一个融合合成和真实图像的物理引导水下图像增强框架
本研究提出了一种名为 SyreaNet 的框架，它融合了合成和真实数据，并以修订的水下图像形成模型和新颖的领域自适应策略为指导，旨在提高水下图像增强的质量。实验表明，我们的框架在 qualitatively 和 quantitatively - 一种轻量级的领域自适应绝对位姿回归器，使用巴洛双子目标
提出了一种面向绝对姿态回归的领域自适应训练框架，基于生成方法实现场景图像的不同领域的数据增强，并在回归头中探究了空间和通道注意力对旋转预测的有效性。结果表明，该方法在效率和性能方面都优于基于 CNN 的架构，并可适用于不同领域。
- 使用图神经网络减少基于采样的运动规划的碰撞检查
通过训练图神经网络（GNN），我们提出了新的基于学习的方法来减少碰撞检查的计算量，加速采样空间中的路径规划，并通过随机几何图形（RGGs）和路径探索组件预测无碰撞的边来优化路径探索。
- MM低光原始降噪的学习增强：配对真实数据与噪声建模相遇
通过增加数据容量和降低噪声复杂度的方式，我们提出了一个可学性增强策略来提高低光下图像去噪的性能，该策略包括射击噪声增强（SNA）和黑暗遮蔽校正（DSC）两种高效技术，并在公共数据集和实际成像场景中取得了最先进的性能。
- VectorMapNet: 端到端的矢量高精度地图学习
本研究提出了一个名为 VectorMapNet 的端到端矢量化高清地图学习管道，它可以利用传感器观测数据预测出鸟瞰图中稀疏的折线。该管道可以明确地建模地图元素之间的空间关系，并生成对自主驾驶任务友好的矢量化高清地图。实验表明，VectorM - ECCV粗到细的稀疏变换器用于高光谱图像重建
该论文提出了一种基于 Transformer 的 CST 方法，首次将 HSI 稀疏性嵌入到深度学习中进行重建，使用 SA-MSA 进行粗细层次的像素聚类和自相似性捕捉，相比于现有方法具有更高的重建性能和更低的计算成本。
- 通过机器学习解决混合整数规划问题的调查
本文调查了利用机器学习解决混合整数规划（MIP）问题的趋势，介绍了 MIP 及其传统算法，提倡学习和 MIP 的不同集成，并引入了与学习相关的方法。最后，我们展望了基于学习的 MIP 求解器的前景。
- 学习如何识别三维视频游戏中的感知缺陷
本论文提出了利用学习方法，基于玩家所看到的渲染游戏屏幕，能够识别一系列感知错误的可能性，从而解决自动化游戏 bug 检测的问题，并且开发了一个名为 “World of Bugs” 的开放平台来测试该方法。
- AAAI通过学习隐式函数从多视角图像中恢复详细的面部几何形状
本文提出了一种新型架构来在数十秒内恢复极其详细的 3D 人脸，通过在多视图图像中拟合一个 3D 可塑模型，提取并聚合多个图像的特征，学习一种用于回归匹配成本的隐式函数。与先前的学习方法相比，在 FaceScape 数据集上准确性更高。
- 使用对抗学习和蒸馏知识的轻量化可变形配准
本文提出了一种新的轻量级可变形配准网络，使用对抗学习算法成功地将教师网络的有意义信息转移到了学生网络，同时在显著降低计算费用的同时达到了竞争性的准确性。
- ICCV深度匹配先验：用于密集对应的测试时优化
本文提出一种称为 Deep Matching Prior（DMP）的框架，使用优化方法为图像对特定定制网络，来实现密集对应的学习，并在几个基准测试中展现了与最新的基于学习的方法相媲美的性能。
- CVPR针对 3D 人体网格配准的局部感知分段变换场
本研究提出了一种新型的基于 PTF 和多类占据网络的学习框架，以更准确地进行穿着的人类模型参数化配准和表面重建。
- AAAI异质 2D 图像集联合深度多图匹配与三维几何学习
提出了一种基于图神经网络的、可训练的框架，用于从不同的图像集合中学习可变形的三维几何模型，并在图形匹配中取得更好的性能。
- HyperMorph：图像配准的摊余超参数学习
HyperMorph 是一种学习的策略，可以用于可变形图像配准，其中使用摊销的超参数学习框架来学习超参数对形变场的影响。该方法可以通过单一的模型捕获具有连续内部的超参数值来加快计算速度，降低计算负担，并提高灵活性。
- 深度学习时代的立体匹配置信度：定量评估
本文回顾了十多年来用于立体匹配置信度估计的算法和策略，并评估了现有的置信度估计方法，包括手工设计的和最新的基于学习的方法，在五个标准数据集上进行实验，并首次将一个最先进的深度立体网络与置信度测量技术配对进行比较，旨在提供该领域的全面概述，并 - 从合成训练数据中学习在新环境中进行定位
本文提出了一种可以适应不同场景的视觉定位方法，包括改进的模型架构、层次相关层和尺度和不确定性信息的利用。该方法优于使用 SIFT 特征的 5 点算法和之前训练在不同数据上的学习方法，并在只有很少的参考图像可用的情况下，明显优于现有的学习和经