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。

本研究提出了一种可学习的热扩散框架，解决了生成扩散模型在点云重采样中结构恢复不佳的问题。实验结果表明，该方法在点云去噪和上采样任务中表现优异。

本研究探讨了多语言环境中低资源语言数据稀缺导致的训练不均衡问题。通过理论与实证分析，证明了上采样和加权损失的等效性及其在不同梯度下降方法下的差异。提出的Cooldown策略有效加快了收敛速度，避免了过拟合。

本文提出了一种新的图像超分辨率方法，使用深度卷积神经网络联合学习特征提取、上采样和高分辨率重建模块，实现更精确的图像恢复。

该文介绍了一种新的图像超分辨率方法，使用深度卷积神经网络联合学习特征提取、上采样和高分辨率重建模块，通过多尺度 HR 重建实现更精确的图像恢复，并为未来的研究提供了更多见解。

该文介绍了一种新的图像超分辨率方法，使用深度卷积神经网络联合学习特征提取、上采样和高分辨率重建模块，通过多尺度 HR 重建实现更精确的图像恢复，为未来的研究提供了更多见解。