- 基于深度学习的加速 MR 胆胰管成像重建
本研究使用基于深度学习的重建方法加速了 3T 和 0.55T 的 MRCP 采集，通过评估峰值信噪比和结构相似度等指标，证明了该方法在减少采集时间的同时保持了图像质量。
- ACL重新匹配：改善结构和语义相似度的本地知识图匹配的鲁棒且高效方法
通过介绍一种新的 AMR 相似度度量方法 rematch 和一个新的结构相似性评估标准 RARE，本文解决了目前现有的 AMR 度量方法效率低和难以捕捉语义相似度的问题，并在 STB-B 和 SICK-R 基准测试中，rematch 在结构 - 基于半监督学习和结构相似性的宏观断裂面分割
通过对断裂表面进行深度学习模型的半监督训练，实现了对材料的断裂表面分割，研究了结构相似性的影响，并且在断裂力学评估中取得了显著的成功。
- SQL-Encoder: 基于上下文的编码器改进 NL2SQL 中的上下文学习
本文研究了在上下文学习模型中选择示例的结构相似性检测，并提出了一种准确估计这种相似性的模型，通过在训练语义预测模型的精心策划的 170k 个问题对中利用基于 SQL 查询的相似性度量。全面的评估结果表明，所提出的模型在捕捉问题间结构相似性方 - 基于集成结构的异常评分扩散模型的无监督异常检测
本研究探讨了结构相似度（SSIM）在大脑 MRI 异常检测方面的潜力，并展示了一种自适应集成策略，该策略能够增强深度学习模型的性能，并减少对不同病理图像的核大小的敏感性。
- HyperS2V: 超网络节点结构表示的框架
该研究介绍了 HyperS2V，一种以超级网络的结构相似性为中心的节点嵌入方法。研究通过建立超级度的概念来捕捉超级网络中节点的结构特性，并提出了一种用于衡量不同超级度之间结构相似性的新函数。最后，利用多尺度随机游走框架生成结构嵌入。通过在玩 - ICCVSSIG：用于楼层平面图相似度的视觉引导的图编辑距离
提出了一种基于图像和图形距离的评估指标 SSIG（基于 IoU 和 GED 的结构相似性），用于判断平面图的结构相似性，并开发了一种有效的算法，通过 SSIG 对大规模的平面图数据库进行排序。
- 使用图卷积网络建模文档结构相似性进行连贯度评估
研究了一种基于 GCN 的连贯性模型，能够捕捉文档之间的结构相似性，实现对语篇的连贯性评估和自动化文本评分，并在两个任务中实现了总体最佳。
- 目标检测的结构知识蒸馏
本文提出了一种基于结构相似性的知识蒸馏替代方法，通过考虑特征空间的对比度、结构线索、相关性和空间依赖性，在中间特征层面进行指导。在 MSCOCO 上的实验表明，这种方法简单易行、计算开销小，同时在不同的训练方案和网络架构上都能显著提高模型性 - LayoutGMN: 结构布局相似性的神经图匹配
本研究提出了 LayoutGMN，通过利用图形匹配网络（GMN）来预测 2D 布局之间的结构相似性，该网络学习布局度量并使用基于注意力的 GMN 进行三元组网络设置下的神经图匹配。通过在大规模数据集上进行检索实验，特别是对楼层平面图和 UI - CVPR基于结构正则化深度聚类的无监督领域自适应内在数据结构挖掘
使用深度聚类框架，基于结构相似性约束的聚类算法，对无标签目标领域进行无监督域适应任务，能够在图像分类和语义分割领域内的无显式特征对齐的情况下，实现优异表现
- 使用分子反事实证明解释深度图网络
本论文提出了一种新的方法来处理深度图网络在分子属性预测任务中的可解释性，称为 MEG（分子解释生成器），我们生成了高结构相似且具有不同预测属性的（有效）化合物的信息性对照解释，初步结果显示该模型可以向非机器学习专家传达关于分子邻域中学习模型 - EMNLP从上下文化单词表示中无监督地提取句法信息
本文讲述了如何通过自动生成语义不同但结果相似的句子组集来学习一种转换，以去除词法语义但保留结构信息，并证明这种方法在结构聚类方面的效果优于词汇语义聚类方法，最终在少样本解析任务中优于原始上下文化语言表示。
- ECCVRANSAC-Flow：通用的两阶段图像对齐
本文提出了一种简单的无监督方法来完成不同任务下两张图像之间的密集对齐问题，采用参数化和非参数化的两个阶段方法来实现初步和精细对齐，其中初步对齐使用了 RANSAC 和现成的深度特征，精细对齐使用了一种优化标准结构相似度度量的深度网络，并且已 - 通过渐进网络实现多对比度超分辨率磁共振成像
本文提出了一种用于 MRI 多对比度超分辨率图像的神经网络方法，实验结果表明该网络可以产生高质量的超分辨率图像，在图像质量和结构相似度方面优于其他多对比度超分辨率方法，而且渐进网络即使在原始低分辨率图像高度下采样时，也比非渐进网络更能产生更 - 水平加权结构相似性差异度损失：从均方误差迈出一步
文章提出了一种基于结构相似度指标（SSIM）的新的加权结构相似度损失（LWSSIM）来代替均方误差（MSE）损失函数， 可以解决像素的独立性和样本空间相关性的矛盾，该模型在各种自编码器中得到了成功的应用。
- 应用结构相似性改进自编码器的无监督缺陷分割
本文介绍了利用结构相似性的感知损失函数，通过考虑图像之间的相互依赖关系，包括亮度，对比度和结构信息，而不是简单的单像素值对比，来实现对复杂真实数据集的未监督缺陷分割，通过对仿生材料和织物数据集的实际应用表明，该方法在性能上显著优于以像素为基 - ICCV结构度量：评估前景映射的新方法
利用新的结构相似度度量方法（Structure-measure），提高非二进制前景图的评估准确性，与基于像素误差的现有测量标准相比，该方法同时考虑区域和对象感知的结构相似性，通过在 5 个基准数据集上的 5 种元测量验证优越性。
- KDD通过类比挖掘加速创新
通过学习较简单的 “问题模式” 结构表示，并结合众包和递归神经网络从产品描述中提取目的和机制向量表示，使我们在寻找类比时可以比传统信息检索方法获得更高的精确度和召回率，在创意发想实验中，模型检索的类比与传统方法相比， 显著提高了人们产生创造 - 跨结构空间和金属空间比较分子和固体
本研究介绍了一种使用机器学习技术探索复杂材料配置空间必不可少的结构相似度度量方法 ——SOAP，以及如何使用 REMatch 方法将这些局部描述符相结合，并在小有机分子数据库中达到一个平均绝对误差小于 1 kcal/mol 的预测效果的重要