- 深度神经网络中的跳跃连接在计算机视觉和医学图像分析中的应用：一项调研
深度学习在计算机视觉中取得了显著进展，尤其在图像分类、目标检测和语义分割方面。跳跃连接在深度神经网络架构中起到了重要作用，通过残差学习在训练阶段实现更容易的优化，并在测试阶段提高了准确性。本综述对深度神经网络中跳跃连接的发展进行了全面总结和 - CVPR通过上下文残差学习与少样本提示实现通用异常检测
使用少样本学习的正常图像为提示，在不同数据集上训练一个综合上下文残差学习模型（InCTRL）进行广义异常检测，以区分异常和正常样本之间的残差来实现跨不同领域的泛化能力。
- 深入研究普通公司立体匹配
通过几个公开数据集上的广泛实验，我们提出的方法在 KITTI 2015 数据集的前景像素立体匹配中排名第一，在 Scene Flow 数据集中排名第三，验证了我们方法的有效性。
- 剖析残差学习的内幕
通过发现神经网络中的 “消散输入” 现象，我们揭示了残差学习背后的基本原理，从而解决了深度可扩展的普通神经网络训练中收敛失败的挑战，并提出了 “普通神经网络假设”（PNNH）来支持无残差连接的深度普通神经网络训练，通过在流行的视觉基准测试中 - HyperZ・Z・W 运算符实现全上下文交互的慢速 - 快速网络连接
本研究探讨了通过采用大型隐式核函数来实现网络每层的全局上下文交互，并引入了多分支隐藏表示、特征提取等创新组件构建的 Terminator 架构，通过实验证明此架构在像素级 1D 和 2D 图像分类任务中表现出优秀的性能。
- DHFormer：基于视觉 Transformer 的图像去雾注意力模块
提出了一种使用残差学习和视觉转换器的注意模块的方法，首先估计残差图像，然后通过卷积层和全局上下文转换器编码器获取通道注意力，最后生成无雾图像。实验结果证明了该方法的高效性和可扩展性。
- 基于学习的机器人摩擦模型适应
在第四次工业革命中，机器人的部署是不可或缺的，但是机器人与人类的合作制造过程非常复杂，其中建模机器人关节的摩擦力矩一直存在问题。为了解决这个挑战，我们提出了一种基于残差学习的新方法，旨在利用尽可能少的数据将现有摩擦模型适应新的动力学。通过合 - DDRF: 遥感图像融合的去噪扩散模型
本篇文章将去噪扩散模型引入图像融合领域，将融合任务作为图像到图像的转换，设计两种不同的条件注入模块，即风格转换调制和小波调制，注入粗粒度风格信息和细粒度高低频信息来生成融合图像，并讨论去噪扩散模型在图像融合中的残差学习和目标函数选择。基于定 - CVPR[转载] 通过知识回顾进行知识蒸馏
本论文旨在复现 CVPR '21 论文《通过知识审查来提取知识》的实验结果并分析其知识蒸馏方法的健壮性。通过引入残差学习框架并设计新的多层教师神经网络的融合模块来训练单层学生神经网络，以及后引入的跨级连接方法，该方法取得了显著的性能提升。本 - ICLRDEPTS：周期时间序列预测的深度扩展学习
本文介绍了一种名为 DEPTS 的深度扩展学习框架，它使用残差学习和周期性模块来预测周期时间序列，能够显著提高精确度。
- 通过解决脉冲神经网络退化的关键问题推进深度残差学习
通过提出一种新的残差块并将其应用于神经形态计算的 SNN，本文成功扩展了 SNN 的深度，获得了较高的准确率和极低的能量消耗。
- 脉冲神经网络中的深度剩余学习
本文提出了基于 SEW ResNet 的残差学习算法来实现深度 SNNs 的直接训练，并通过在 ImageNet、DVS Gesture 和 CIFAR10-DVS 数据集上的实验表明 SEW ResNet 相对于目前最先进的神经网络直接训 - AAAI基于特征融合的粗到细残差学习用于深度补全的 FCFR-Net
提出了一种基于残差学习的端到端深度完成框架，其将深度完成分为两个阶段进行训练，即粗 - 精阶段，并利用颜色图像和粗深度图提取了表示特征和进行了能量融合操作，将 KITTI 基准下的平均 RMSE 性能提高至当前最先进技术水平以上。
- COLING应用空洞卷积和残差学习的知识图谱嵌入
本研究提出了一种采用空洞卷积和残差学习的知识图谱嵌入方法，相对于现有技术具有更高的参数效率，并在六个基准数据集上进行评估，取得了优于现有技术的表现。
- 深度生成对抗残差卷积网络用于真实世界超分辨率
通过提出一种深度残差卷积生成对抗网络（SRResCGAN）来解决真实世界中图像修复过程缺失的问题，该网络通过对 HR 领域的像素级监督来对模型进行敌对训练，并利用残差学习和凸优化技术来最小化能量函数，我们的实验表明，该方法易于部署到其他下采 - JHU-CROWD++: 大规模人群计数数据集与评价方法
介绍了一种用于人群计数的 CNN 网络，并使用采集自多个不同场景的大规模数据集评估了这种方法。该网络使用残差学习以及基于不确定性的置信加权机制进行创新，从而获得了显著的计数准确度改善。
- 一种新的可学习梯度下降型算法用于非凸非光滑反问题
本文提出一种新的梯度下降类型算法来解决一般的非凸和非光滑规则化的反问题，并开发了一种神经网络架构来从训练数据中自适应地学习非线性稀疏转换，该算法可以适应非凸结构的拓扑变换。数值结果表明，所提出的神经网络在各种不同的图像重建问题上的准确性和效 - 使用事件相机学习去模糊及生成高帧率视频
本研究通过构建新的神经网络结构，使用事件相机实现了高清无暇的图像和视频的生成，并将故障模糊问题转化为残差学习的任务来有效地进行训练。实验结果表明，该方法可以比现有技术更好地还原图像和视频。
- ResDepth: 学习残差三维重建
使用深度学习的残差学习方法来提高立体重建质量，并可用于卫星图像等领域。在 ETH3D 基准和卫星图像领域，平均绝对误差降低了 50% 以上。
- CVPR一个强健的姿态变换 GAN 用于姿态控制的人体图像合成
利用残差学习的方法，结合有效的数据增强技术，提出一种简单而有效的姿态转换 GAN，在不需使用额外功能学习的情况下，在任意姿态下生成给定的人体图像。该方法在两个大型数据集上展现出比现有方法更优越的性能，实现了在光照、遮挡、失真和尺度方面的鲁棒