本研究解决了中文诗词与绘画之间复杂关系的计算翻译问题，传统方法依赖大规模配对数据集，而该领域缺乏此类数据。我们提出了一种半监督方法，通过循环一致性对抗网络，利用有限配对数据和大量未配对诗词和绘画。同时引入新评估指标评估生成的作品质量与多样性，实验结果表明该模型在捕捉艺术表达的象征本质方面显著优于以前的研究。

本研究探讨了一致性模型训练的局限性，提出通过马尔可夫决策过程进行去噪，并利用时间差分学习进行价值估计。新方法在CIFAR-10和ImageNet-64上显著提升了性能，尤其在ImageNet-64上达到了最新的最佳效果。

我们提出了一种新方法，通过3D高斯喷洒实现稀疏视图合成，无需相机姿态。该方法利用单目深度和2D对应关系，优化相机注册和深度调整。在多个数据集上表现优于竞争方法，且随着视图数量增加，质量持续提升。

本研究针对现有多模态实体对齐方法过于关注模态的互补性而忽视特异性的问题，提出了一种多模态一致性与特异性融合框架（MCSFF）。该框架通过计算模态相似矩阵并迭代优化模态特征，显著提升了实体表示的准确性，实验证明其在MMKG数据集上的效果超过现有方法，展现了重要的实用潜力。

扩散方法在图像超分辨率中表现优异，但低分辨率图像的降质问题影响效果。为解决此问题，提出了基于跨模态先验的超分辨率框架（XPSR），利用多模态大语言模型获取扩散模型的语义条件，并引入语义融合注意机制。XPSR在无降质约束下，在合成和真实数据集上生成高保真图像。代码将发布在GitHub。

本文提出了一种创新的两阶段方法，用于从稀疏视图图像重建人脸。首先创建通用面部模板，然后细化具体人脸模型，考虑几何与反射的相互作用及次表面散射。该方法能从三幅图像中重建高质量面部，提升几何和反射细节，适用于再照明和反射编辑。代码已公开。

本文提出了一种用于医学图像分割的半监督学习框架，结合多尺度文本感知的ViT-CNN融合方案，利用视觉和语言模态的互补信息。通过多轴一致性框架生成稳健的伪标签，提升学习效果。实验结果在多个数据集上验证了该方法的有效性。

该研究提出了“diffmotion-v2”，利用WavLM预训练模型，通过语音生成个性化和风格化的全身手势，简化多模态处理和手动标注。模型在多个数据集上验证了生成自然手势的能力。

本研究提出了一种一致性校准（CC）方法，解决深度学习模型不确定性估计的误校准问题。CC通过扰动输入下的一致性自校准，无需额外数据或标签，提升计算效率。实验表明，CC在多种数据集上表现出色。

本研究提出了一种新型分类器，通过整合随机子空间的显著性检验生成共识 p 值，解决分类决策不确定性的问题。该分类器在一致性预测和选择性分类方面表现优异，提供可拒绝和细化的选项。

本研究提出PROVE框架，通过程序验证方法过滤错误推理路径，显著提高大语言模型在数学推理中的准确性。

本研究提出了一种基于模型注意力的扰动方法，解决半监督医学图像分割中的扰动策略不足问题。通过增强一致性正则化，处理复杂结构和高维语义。实验结果表明，该方法在ACDC数据集上取得了90.4%的Dice分数。

文章讨论了分布式系统中的一致性和共识问题。为了实现容错系统，需要使用通用抽象和一致性保证。线性化是一种强一致性模型，确保系统像只有一个数据副本。CAP定理指出在网络分区时必须在一致性和可用性之间选择。文章还介绍了两阶段提交协议用于实现分布式事务的原子性，以及共识算法如Raft和Zookeeper的应用。

设计系统在UX设计中越来越受欢迎，类似建筑蓝图，确保设计一致性。它包含颜色、字体、组件、间距和交互模式，帮助开发者快速构建统一的界面，提高效率、可扩展性和团队协作，避免重复工作。构建设计系统需要审查现有设计、定义核心元素、创建可重用组件并进行文档化。尽管面临更新和团队采纳的挑战，设计系统能显著提升产品体验，如Airbnb的成功案例。

提出了一种端到端网络用于示例视频着色，保持参考风格并实现时间一致性。通过循环框架减少误差，并通过时间一致性损失增强效果。实验表明，该方法在定量和定性上优于现有技术，生成视频稳定逼真。

本研究提出了MM-R$^3$基准，用于评估多模态大型语言模型在一致性和准确性上的表现。研究发现一致性和准确性不总是相关，并通过引入适配器模块有效减少不一致性，从而提升AI系统的可靠性。

本文介绍了一种改进CTC模型的方法，通过利用标签先验知识减少路径中的空白对齐得分，从而提升训练效果。在Buckeye和TIMIT数据集上，该方法的音素和词边界错误率降低了12-40%。与MFA相比，Buckeye表现相似，TIMIT稍逊，但训练流程更简单高效。相关训练步骤和预训练模型已在TorchAudio发布。

本研究探讨用户画像质量对推荐系统性能的影响。通过信息论方法量化用户偏离度和交互一致性，发现画像密度与算法性能相关。提出用户细分策略以提高个性化推荐效率。