- CVPRMAXIM：用于图像处理的多轴 MLP
本文介绍了一种基于多轴 MLP 的体系结构 MAXIM，该体系结构可用作图像处理任务的高效和灵活的通用视觉骨干。MAXIM 使用 UNet 形状的分层结构，并支持由空间门控 MLP 启用的长程交互，其在多项基准测试中取得了最先进的性能，并且 - CVPR隐式表示函数的局部纹理估计器
本文通过引入 Local Texture Estimator (LTE) 的方法，使 implicit function 可以在连续的过程中捕捉细节，在 2D Fourier 空间表征图像纹理，达到了显著的图像超分辨率重建性能，并且在运行时 - 网络结构之战：CNN、Transformer 和 MLP 的实证研究
本文比较了卷积神经网络、Transformer、multi-layer perceptron 等算法的优劣，并在 SPACH 框架下进行了实验，结果显示，使用卷积和 Transformer 模块的混合模型已经能够实现与其他模型相同的准确率。
- 从对比链接中提取自我知识以对图节点进行分类，无需传递消息
本研究发展出一种名为 LinkDist 的方法，它利用连接节点对的自身知识来提取无需聚合消息的多层感知机 (MLP)，并在半监督和全监督节点分类方面表现出与 GNNs 相对可比的准确性。此外，LinkDist 从其非消息传递范式中受益，我们 - ResMLP：用于图像分类的前馈网络与高效训练
ResMLP 是一种基于多层感知器的图像分类架构，在现代训练策略（包括数据扩增和引入先验）的支持下在 ImageNet 上取得了令人惊讶的良好准确性 / 复杂度平衡，并通过自监督学习进一步去除了基于带标签数据集的先验知识。同时，将该模型应用 - MM带有条件顺序调制的超轻量级照片修饰网络
该论文提出了一种使用多层感知机的轻量级、高效率处理全局和局部图像美化效果的算法 - 条件流式修饰网络。通过分析全局图像美化运算可通过一个多层感知器数学式子来描述，并以此为基础搭建了一个小型的神经网络框架，可以在较小的参数量下实现对图像的优化 - ICCV服装人体的动态表面函数网络
提出一种新方法，基于动态表面函数网络，利用单目 RGB-D 序列学习个体化身体模型，并使用人体表面多层感知器（MLP）来重构为具有时间连贯性的网格序列并合成姿态依赖性动画。
- CVPR基于球形高斯函数的物理反渲染用于材料编辑和重新照明
本研究提出了一种端到端的反演渲染管道，该管道包括可完全不可微的渲染器，可以从一组 RGB 输入图像重新构建几何，材料和照明，并使用球形高斯混合表示光谱 BRDF 和环境光，并将几何表示为一个多层感知器参数化的有符号距离函数。使用球形高斯函数 - 深度学习方法比较分析与预测商业流程
研究比较了多种不同的深度学习模型，发现在预测业务流程中下一步活动的性质和时间戳时，简单的多层感知器（MLP）往往表现优于 Sophisticated Deep-learning Models。在应用自动化过程预测技术时，需要注意在业务流程的 - 神经瞬态场非直视成像
提出了一种基于神经建模的非直视成像框架，采用多层感知器（MLP）来表示神经瞬态场（NeTF），并引入 Monte Carlo 技术来提高重建的鲁棒性和细节保留。实验结果表明，该方法在合成和实际数据集上提供了更高质量的重建并保留了先前方法中缺 - 通过特征适应实现内存高效的渐进式学习
本文提出了一种增量学习的方法，该方法保留以前学习类别的训练图像的特征描述符，而不是图像本身，采用了比大多数现有方法更少的低维特征嵌入，通过多层感知器学习特征适应以实现分类器旧类别和新类别的联合优化，并取得了与保留图像相比更低的内存占用和最先 - 旋转不变的点云分类方法：局部几何与全局拓扑相结合
本文介绍了一种新的方法来实现点云数据的旋转不变性，使用局部几何特征和全局拓扑特征相结合的局部 - 全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征，并在模型识别任务上取得了最先进的效果。
- 像素中的仇恨言论：自动化检测攻击性模因以便自动管理
本研究旨在使用视觉信息自动检测互联网迷因中的仇恨言论。研究结果表明，在迷因中，视觉模态比语言模态更具信息量，但是仍然存在局限性。
- CVPR变分信息蒸馏用于知识迁移
本论文提出了一种信息理论框架用于知识转移，将知识转移视为最大化教师和学生网络之间的互信息，将该方法应用于不同架构的网络间的知识转移，证明了其性能远超现有方法。
- ICCV引导式超分辨率：像素到像素转换
该研究提出了一种新颖的向导超分辨率方法，将问题视为像素级向导图到源图像域的映射，使用无监督学习和多层感知机来参数化映射函数，达到超分辨率的效果，并在深度图和树高图两个任务中均优于其他基线算法。
- 基于深度神经网络的通道解码性能评估
本文研究了深度神经网络在 5G 网络方案中的应用，着重对多层感知机，卷积神经网络和循环神经网络进行了探讨与比较，发现循环神经网络性能最佳但计算负载最大，三种神经网络具有饱和长度限制。
- 神经协同过滤
本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。
- 从虹膜识别性别还是从睫毛判断性别？
探讨性别预测问题，考虑使用多层感知器和卷积神经网络作为分类器，通过实验研究发现使用数据驱动和手工特征的方法都存在困难，包括成年人训练和测试的问题，化妆对眼睫毛闭塞和不完美分割的影响等。
- NIPS学会学习神经网络
利用 LSTM 神经网络实现元学习，并能将其与手工设计的算法进行对比，在实验中，我们学习了针对非线性可分数据集的一个具有两个隐藏层的 MLP 的学习算法，并且该算法能够成功地更新两个隐藏层的参数并且在类似的数据集上具有泛化性能。
- 深度脉冲神经网络
通过介绍一种能够在脉冲网络上进行反向传播的算法，我们表明，在脉冲多层感知机（MLP）长时间运行的极限情况下，该网络在预测和训练期间的行为与带有修正线性单元的传统深度网络行为完全相同。我们将此架构应用于传统分类问题（MNIST），并实现了与具