本文介绍了OpenCV中图像二值化与去噪的常用方法，包括全局阈值法（固定阈值和Otsu法）和局部阈值法（自适应阈值）。去噪方法有均值滤波、高斯滤波和中值滤波。建议先进行去噪，再进行二值化，以提高处理效果。

本研究提出了一种轻量级的二值化Mamba神经网络，旨在解决四开关混合事件视觉传感器的反交错复杂性问题。该方法结合了Mamba和Swin Transformer的优势，显著降低了计算复杂性，适用于边缘设备。实验结果表明，BMTNet在性能和计算效率上表现优异。

本研究解决了大型语言模型在资源有限设备上部署时面临的效率问题，提出了一种名为BEExformer的二值化提前退出变压器架构。此架构通过创新的量化方法和软路由损失估计显著提高了推理效率，降低了模型规模以及推理计算量，同时在准确性上实现了5.98%的提升，为深度学习模型的实际应用提供了新的解决方案。

本研究针对密集预测任务中现有方法对计算资源需求过高的问题，提出了一种通用的二值神经网络BiDense。BiDense通过分布自适应二值化器（DAB）和通道自适应全精度旁路（CFB）技术，有效保留了更多信息，从而在内存使用和计算成本显著降低的同时，达到与全精度模型相当的性能。

本文探讨了文档图像的二值化处理及其在识别和算法优化中的应用，比较了多种深度学习方法的性能，提出了基于全卷积网络和视觉变换器的新架构，显示出在文档图像分析中的优越性，并公开了代码和模型以促进未来的二值化评估。

该研究提出了一种新型联邦学习方法，结合二进制神经网络和贝叶斯推理，显著降低通信开销并提高模型准确性。通过自适应辍学和结构化更新，实验结果显示可减少上行通信成本并提升训练效率。

基于三阶段网络架构，结合离散小波变换和规范化以降低输入图像尺寸，从而减少训练和推理时间，提供了有效去除阴影和噪声的生成对抗网络方法，通过引入新的生成器、判别器和损失函数进一步改善模型性能，相比于现有技术，在保持模型性能为 73.79 的平均分上，本方法将训练时间减少了 10%，推理时间减少了 26%。

本文探讨了单纯复合体中的卷积神经网络（SNNs）及其在图形和超图数据处理中的应用。研究提出了二进制图卷积神经网络（Bi-GCN），显著提高了计算效率和存储节省。同时介绍了新型的Simplicial Attention Networks（SAT）和高阶图卷积网络（HiGCN），在图像分类和复杂系统建模中表现优异。

这篇文章介绍了使用OpenCvSharp进行图像二值化的几种方法，包括固定阈值、自适应阈值、局部阈值和InRange方法。每种方法都有相应的代码和界面展示。

该研究提出了一种新颖的双二值化方法（DB-LLM）和高效的优化策略，以提高大型语言模型的计算效率和准确性。通过量化感知的低秩适配器和全局、局部策略，显著优化了低位扩散模型的性能，并介绍了加速去噪扩散生成模型的技术，提升了图像生成的效率和质量。

通过对于神经网络二值化的训练技巧进行优化，建立了 ProxConnect++ (PC++) 作为 BinaryConnect (BC) 的扩展，提出了一种增强的二值化算法 BNN++，并在卷积神经网络和视觉转换模型的图像分类实验中进行了验证。

本研究评估了不同深度学习方法在不同数据集上的性能，发现DE-GAN在DIBCO2013数据集上表现最佳，DP-LinkNet在DIBCO2017数据集上表现最佳，2-StageGAN在DIBCO2018数据集上表现最佳，SauvolaNet在DIBCO2019数据集上优于其他方法。研究公开了代码、模型和评估，以促进未来的二值化评估。

该论文提出了ITA加速器架构，用于高效推理，表现出色的能效和面积效率。

通过使用 Binarized Dual Residual Network (BiDRN) 量化方法，本文在资源有限的边缘设备上以 22.1% 的参数和 14.8% 的运算量实现了与全精度方法 Hand4Whole 相当的性能，且在 3D 全身人体网格恢复任务中显著提高了与最先进的二值化算法相比的效果。