本研究解决了时空人群流动预测模型在上下文特征使用上的不一致问题，提出了包含多种上下文特征的数据集STContext，并提供了统一的整合流程，以指导有效的上下文建模。

本研究改进了光流处理中的凸上采样方法，提出了解耦加权和上下文特征引入，开发了基于局部注意力的上采样器，实验结果表明这些改进提升了光流模型的精度。

该文章介绍了一种基于角到中心的变压器上下文模型 (C^3M) 用于图像压缩的方法，通过预测上下文特征和使用长程交叉注意力模块 (LCAM) 来提高性能。实验结果表明，该方法优于最先进的并行方法，作者建议在基于变压器的图像压缩中改进细节表示。

本文介绍了一种基于上下文和注意力特征融合增强的卷积神经网络和Transformer混合网络模型，用于肝肿瘤分割。实验结果表明，该模型在数据集上表现优于其他方法。

我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和Transformer混合网络（CAFCT）模型，用于肝肿瘤分割。实验结果表明，CAFCT在Liver Tumor Segmentation Benchmark（LiTS）数据集上表现优于Pure CNN或Transformer方法。

该研究介绍了一种多粒度转换器（MGTR）框架，用于处理交通代理的不同粒度上下文特征。通过整合LiDAR语义特征，增强了MGTR的功能。在Waymo Open数据集的测试中，MGTR排名第一。