- Ladder：将基于 LLM 的机器翻译推向更高层次的模型无关框架
通过使用 Ladder，我们开发了一种新颖的与模型无关且成本有效的工具，用于改进用于机器翻译的通用 LLMs 的性能。通过在现有 LLMs 中获得的伪精炼三元组进行训练，Ladder 可以逐步改进其精炼性能，并与任何通用 LLMs 无缝集成 - 训练 LLMs 以提升自我调试和解释代码能力
自调试是代码生成领域的关键，并且该研究旨在提出一个训练框架，显著提高了语言模型的自调试能力，通过生成一系列解释和改进轨迹，进行自动化数据收集和筛选，进行监督微调和强化学习，并通过对代码解释和改进质量的考虑，实现对四个基准测试的性能提升。研究 - 使用 LLMs 进行代码修复的探索 - 利用权衡
利用大型语言模型（LLMs）迭代改进和修复源代码已成为一种流行的方法，该方法被称为细化，可生成过于复杂无法一次构建的程序。我们发现细化代码暴露了探索与利用的权衡：通过改进通过测试用例的程序进行利用，或通过改进较少考虑的程序进行探索。我们将其 - IIDM：语义图像合成的图像到图像扩散模型
本文提出了一种基于图像扩散模型的语义图像合成方法，通过引入随机噪声和逐渐去噪的方式，以分割掩模为指导生成高质量图像，并进一步通过细化、颜色转移和模型集成等技术提高合成质量。大量实验证明本方法在性能上明显超越了现有的最先进方法。
- 适当校准误差的一致且渐近无偏估计
提出了一种方法，可以一致且渐近无偏地估计所有适当的校准误差和改进术语，并验证了所提估计器的所述特性，并建议后续校准方法的选择应由所关注的特定校准误差决定。
- 一种用于含有异常数据的完全无监督异常检测的通用机器学习框架
使用无监督的数据改进框架，我们比较了训练过程中可能存在异常样本的情况下，对于异常检测 (Anomaly Detection) 任务，利用机器学习模型进行异常检测的性能，并将其与使用仅含正常样本的理想训练数据进行了比较，在多元时间序列数据的公 - TSAR-MVS：纹理感知分割与相关细化引导的多视角立体重建
在这篇论文中，我们提出了一种名为 TSAR-MVS 的新方法，通过过滤、细化和分割来有效解决 3D 重建中纹理缺失区域的挑战。该方法首先采用联合假设过滤技术来消除深度估计错误，然后通过迭代相关性细化和纹理感知分割方法来提高准确性和在纹理缺失 - Shepherd: 语言模型生成的评论家
Shepherd 是一个专门针对评论回复和建议改进进行微调的语言模型，通过高质量的反馈数据集从社区反馈和人类注释中提供多样化的错误识别和建议修正，相比于 ChatGPT 等现有模型，Shepherd 具有等效或更优质的评论，通过 GPT-4 - 自我改进：带自反馈的迭代改进
通过引入 SELF-REFINE 框架，可以通过迭代反馈和改进从 LLMs 获得更好的输出，同时不需要监督训练数据或强化学习，且在 7 种任务中展现出优越性能。
- 大规模语言反馈训练语言模型
利用语言反馈进行模仿学习 (ILF) 是一种新方法，可以有效提升大型预训练语言模型的摘要性能，并比使用对比反馈或人工摘要的方法更好。
- 击败预测者的游戏：Calibeating
通过 Brier 评分来识别专业知识，提高预测效果，并提供一种确定性在线程序来实现校准预测，同时扩展结果以连续校准确定性程序。
- 神经符号一体化的模块化设计模式：细化与组合
本文正式化 van Bekkum 等人的神经符号设计模式，并形式定义了模式细化和从较小的构建块组合更大模式的概念。这些形式化概念正在 Hets 工具集中实现，以便可以检查模式和细化的正确性，并计算组合。
- ReMOTS: 自我监督细化多目标跟踪和分割
提出了一种自监督的重构 MOTS 框架，并在 CVPR 2020 的 MOTS 挑战中获得了第一名，该框架利用数据关联，引入阈值，通过短期轨迹训练外观编码器，达到对 MOTS 结果的精细化改进。
- ICCV基于属性的非配对图像翻译中的自发运动
本研究提出了自发运动估计模块和改善部分，以在源域和目标域之间学习属性驱动的变形，在无配对图像翻译任务中取得了良好的结果，并实现了基于自发运动的有趣应用。
- CVPR一种基于变分方法的自然照明下形状恢复算法
本研究提出了一种基于增广拉格朗日方法的数值解法，用于处理方向或球谐光照、正交或投影投影以及灰度或多通道图像的基于偏微分方程的遮蔽恢复模型，并展示了在真实场景中进行遮蔽感知的深度图去噪、优化和补全的应用。
- 基于深度显著网络和种子传播的联合显著性目标检测
本文提出了一种共同显著目标检测方法，利用深度显著性网络进行共同显著性先验知识的转移，通过种子传播步骤优化初步的共同显著性图，使用多层图在低级描述符中传播种子以找到之前步骤可能未检测到的区域，并可处理大小不一致的输入图像组。
- 使用新数据来优化贝叶斯网络
使用最小描述长度 (MDL) 原则和贝叶斯网络学习算法的改进版本，我们探讨了对已存在的贝叶斯网络的结构进行精炼的问题，同时我们通过实验证据表明了我们的方法的有效性。