DBDH: 一种用于隐形嵌入区域定位的双支路双头神经网络

该研究提出了一种基于区分式双模神经网络 (DBNet) 的方法，用于自然语言及视觉表述中的视觉实体定位，准确性高于现有方法。

DRHDR 是一种双分支残差卷积神经网络，能够在保留高频细节的同时提高计算效率。

深度协作离散哈希（DCDH）框架通过协同视觉特征和语义标签，生成上下文感知表示，实验证明其优越性。

Dual-branch Deformable Transformer (DT) 去噪网络显著减少计算成本，并在去噪任务中取得最先进性能。

混合双分支网络（HDBN）在多模态视频推理中表现优异，准确率达到 47.95% 和 75.36%。

轻量级双分支重建网络 (DBRN) 在 MVTec 3D-AD 数据集上实现了 92.8% 的 AUROC，推理效率高。

HyHDRNet 网络实现低动态范围图像转高动态范围图像的时空去影与融合，效果优于同类算法。

Sparse Deformable Descriptor Head（SDDH）模型提高了描述符抽取的效率，适用于多种视觉测量任务。

基于 CNN 和 Dual Transformer 的 hierarchical dual Transformer 方法（HDT-HDR）在 HDR 图像生成中表现优越。

新设计的 FCN 网络结构通过知识蒸馏共同学习深度和模糊信息，实验证明其速度和效果均优于其他方法。