- 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 - ECCV学习相机感知噪声模型
本论文提出了一种基于数据驱动的方法来学习真实世界的噪声模型，该模型是相机感知的，可以学习不同摄像头传感器的不同噪声特性，实验证明这种方法优于现有的统计噪声模型和基于学习的方法。
- CVPR图像去雾的域自适应
本文提出了一种基于学习的图像去雾域适应模型，该模型包含图像翻译模块和两个图像去雾模块，利用一致性约束训练图像翻译和去雾网络以实现更好效果。实验结果表明，该模型在合成和真实世界图像中表现优异。
- ICLR使用主动神经 SLAM 学习探索
论文介绍了一种名为 Active Neural SLAM 的模块化和分层方法来学习探索 3D 环境的策略，并在真实的 3D 环境中进行实验，结果表明该方法比过去的学习和几何方法更有效。
- CVPR图像超分辨率的深度展开网络
该论文介绍了一种新型的单图像超分辨率网络，它是一个可以通过迭代过程处理不同尺度的噪声图像的端到端可训练的深度网络，结合了学习和模型两种方法的优势。
- ECCV随机频率屏蔽以提高超分辨率和去噪网络
本文探讨超分辨率和降噪问题中的盲问题，提出优化方法，使用随机频率掩蔽网络调节，以达到还原图像并提高性能。
- 从视觉到移动：视觉室内导航学习综述
本文为机器学习领域的一项研究调查，通过总结学习方法在视觉室内导航任务中的代表作品，找出影响导航性能的问题并鼓励未来研究取得突破。
- CVPR绘制多个过去：合成油画时间变迁视频
提出了一种新的视频合成任务：合成时光流逝视频，展示给定绘画作品可能是如何创建的，通过概率模型和 CNN 的训练方案，实现了从有限的绘画时光流逝数据集中学习并合成出类似于真实艺术家制作的时光流逝视频。
- Omnipush: 精准、多样、真实世界的 RGB-D 视频推动动力学数据集
本文介绍了一个用于机器人推动运动的高度多样化数据集，可用于学习模型，并包括元学习动态模型的基准测试和其他相关任务的提议。
- 学习与否：虚拟环境导航学习作用分析
本文旨在比较基于学习的方法和经典方法在虚拟环境导航方面的表现，并通过对两个标准基准测试 MINOS 和 Stanford 大规模 3D 室内空间的经典导航代理的构建，证明了经典代理的优越性。同时，我们进行了详细的分析，研究学习代理和经典代理 - BAOD: 预算感知目标检测
本文研究了基于预算限制的目标检测问题，提出了一种构建多样化和高信息量数据集的策略以及对其进行优化和混合监督式学习的方法，实验结果表明该方法在减少约 12.8% 的注释预算的同时能够实现 PASCAL-VOC 2007 数据集强监督探测器的性 - CVPR深度视觉里程计的选择性存储和姿态细化
本研究提出了一种视觉里程计框架，采用三个组件：内存、优化和特征集中。在几个基准数据集上进行的实验证明，相比于现有的学习方法，该方法在纹理不佳和突发运动等复杂环境下具有更优异的性能。
- 图像和曲面的概率差异同构配准的无监督学习
本文介绍一种基于概率生成模型和卷积神经网络的无监督学习算法，该算法融合了经典形变配准技术的思想，达到了先进的精度和速度，并提供拓扑保持的注册保证。作者在 3D 脑部配准任务上进行了广泛的实证分析。
- 经典和基于学习的导航在复杂 3D 环境中的基准测试
本文探索经典导航和基于学习的导航的协调方法，通过在不同的模拟环境中进行测试和评估，发现经典系统在复杂的杂乱环境中能够表现出非常好的性能，而学习系统能够在有限的传感器套件下更加稳健地运行，但两种方法都远未达到人类水平的表现。
- 逐层特征融合网络用于逼真图像去雾
本文提出了一个基于 U-Net 的编码器 - 解码器深层网络模型用于单幅图像去雾。该模型通过逐步特征融合，直接从观察到的有雾图像到去雾地面真实的高度非线性变换函数。在两个公共的图像去雾基准测试中，该模型在 GPU 的高效内存使用下能够令人满 - 基于学习的迭代方法在非凸逆问题上的收敛性
提出了一种名为 FIMA 的灵活迭代模块化算法，可以解决非凸反问题，实现全局收敛，并可以拓展经典数值方法。经过实验证明 FIMA 在真实应用方面具有优越性。
- 使用引导网络进行少样本分割传播
该研究提出了一种名为 guided networks 的机器学习方法，可以在极少的监督下自动完成图像分割任务，可开展多项任务而无需再进行优化，是一种在分割准确性和时间效率方面表现优越的方法。
- 无监督学习快速概率形变配准
本文提出了一种基于概率生成模型和卷积神经网络的非监督学习方法，实现了高效且拓扑保持的形变配准，同时得到了不确定性估计。
- CVPRCBMV：一种用于视差估计的合并双向匹配体积
本文介绍了一种利用基于学习的方法和传统智慧生成匹配体积，以提高立体匹配准确性的方法。作者使用随机森林分类器将来自双向匹配过程的不同证据融合在一起，证明了该方法的准确性与纯数据驱动替代方案相当，并且能够更好地应用于未见过的数据。
- 基于学习的模型预测控制用于安全探索
本文提出了一种基于学习的模型预测控制方案，其可以提供可证明的高概率安全保证，并利用正态分布先验的规则性假设来构建可证明准确的置信区间，保证轨迹满足安全约束，通过终端集约束递归地保证每个迭代中存在安全控制动作。在实验中展现了该算法可以用来安全