- 通过增强边缘扩散来减小深度神经网络的纹理偏倚
通过对经过边缘增强扩散预处理的图像进行卷积神经网络训练，可以减少神经网络对纹理的依赖，并展示出对任意程度的纹理重新引入的韧性，同时研究了 EED 预处理对语义分割的连接组件级性能降低、领域泛化以及对抗鲁棒性的影响。
- SAM 的鲁棒性：在干扰和更多领域中拆分任何事物
本研究对 Segment anything model (SAM) 模型在各种噪声、图像修饰以及逆向攻击等情境中的鲁棒性进行了全面评估，并揭示了其在形状和样式方面的偏向性。
- 梦境中显现的领域泛化
通过一种名为 Stylized Dream 的新型基于优化的数据增强方法来减少模型的贴图偏差，实现基于形状的表示学习，从而取得了出类拔萃的跨领域问题性能的最新成果。
- ICLR基于部件的模型提高对抗鲁棒性
本文介绍结合人类先验知识和端到端学习以提高深度神经网络的鲁棒性，并引入了一种面向目标分类的基于部件的模型，相较于基准模型 ResNet-50，我们的基于部件的模型在三种数据集上实验表明都具有更高的准确性和更高的适应性。
- 机器对形状与纹理的偏好：发育启发视角的探讨
该文使用类似于发育阶段的范式，检测了预训练神经网络在识别形状和纹理时的归纳偏好。实验结果表明，这些神经网络更倾向于基于形状而非纹理进行分类。
- ICCV基于震荡图嵌入的形状偏向域通用化
该论文研究表明，图像卷积神经网络的不足与纹理偏差有关，而相对缺乏形状偏差则导致了域通用性的不良表现。通过使用经典的计算机视觉方法，即使用轮廓图的震荡图表示图像的轮廓内容，来显式和完整地表示图像形状，进而使用最近的图神经网络方法进行分类，实验 - ICLR增强的形状偏差能否提高神经网络对常见污染的鲁棒性？
通过对自然图像进行样式和边缘特征的处理，对卷积神经网络进行数据增强可以减少纹理偏差并增加形状偏差，从而提高其鲁棒性。
- ICLR形状还是纹理：理解卷积神经网络中的辨别特征
本研究通过设计一系列实验，发现卷积神经网络中大部分的形状信息在训练的前几个阶段就已经学习，这些信息主要由 CNN 的最后几层进行编码。此外，本文还表明形状的编码并不意味着编码的是局部像素语义信息。
- ICML基于形状偏好视角的鲁棒表征学习的信息性丢弃
本文提出了轻量级模型不可知的方法 Informative Dropout (InfoDrop)，通过自信息区分纹理和形状并采用去相关模型的 Dropout-like 算法来改善模型的可解释性和减少纹理偏见，在不同的场景下 (领域泛化、少样本 - 关于纹理偏差对于少样本 CNN 分割的影响
研究表明 CNN 模型中纹理处理算法在大规模标记数据集上学习时表现得更好。为消除纹理影响，提出了一种新的结构，利用高斯分布进行卷积，在三个语义分割基准测试中比现有方法表现更好。
- 卷积神经网络中的纹理偏差起源和普及程度
通过数据增广和改变训练集数据的方式，可以减弱 CNN 网络中很常见的纹理偏见，并且提高非常规测试集上的表现。
- CNN 的纹理偏差限制了少样本分类的性能
本文研究卷积神经网络的纹理偏差对 Few-shot 分类性能的影响，纹理偏差会显著损害 Few-shot 分类的性能，在修正偏差后，使用一种比当前最佳方法更简单的方法，在竞争性的 miniImageNet 任务上展示了最先进的性能