本研究解决了乳腺癌中传统免疫组织化学（IHC）分类依赖病理学家专业知识的问题，采用了包含1272张IHC幻灯片的印度病理乳腺癌数据集（IPD-Breast）来自动化受体状态分类。研究创新性地应用深度学习模型进行HER2三分类，取得了优于传统基于补丁的方法的效果，显示出深度学习技术在乳腺癌分类中的准确性和可重现性显著提升，为临床工作流程的整合提供了支持。

本研究提出了ProtoOcc网络，解决实时3D占用预测中的信息损失问题。通过将2D原型映射到3D体素查询，ProtoOcc有效保留了视觉几何信息，实验表明其在低分辨率下仍具竞争力。

本研究提出了一种动态解耦融合网络DDFNet，旨在解决RGB-T追踪中的低分辨率、相似外观和极端照明等挑战。通过设计六个基于属性的融合模型，优化特征融合，显著提升了追踪性能。实验结果表明，DDFNet在各类基准数据集上优于其他先进方法。

本研究提出了一种轻量化学习方法，旨在解决高保真服装仿真计算中的挑战，通过低分辨率数据提升高频细节，具有良好的泛化能力。

本研究解决了真实世界超分辨率模型中过度依赖生成先验导致输出图像与低分辨率输入不一致的问题。提出的ClearSR方法利用潜在低分辨率图像嵌入来约束控制信号，从而提高了超分辨率图像的质量和一致性。实验结果表明，该模型在多个测试集上表现优异，能生成更清晰和一致的超分辨率图像。

本文介绍了一系列基于事件流的图像重建方法，包括高动态范围视频重建和低分辨率图像提升技术。这些方法在高速现象和复杂光照条件下表现优越，能够有效提高图像质量和分辨率，适用于物体识别和导航等应用。

本研究提出了一种基于去噪扩散概率模型的显微镜图像重建方法，旨在解决图像噪声和低分辨率问题。实验结果表明，该模型在多个数据集上优于现有最佳方法，具有良好的通用性。

本研究提出了多种方法以提升低分辨率人脸识别性能，包括选择性知识蒸馏、注意力相似性蒸馏和适应性实例关系蒸馏。通过优化模型结构和蒸馏策略，显著改善了低分辨率图像的识别能力，实验结果表明在多个基准测试中优于现有技术。

本文探讨了利用计算机图形渲染技术生成合成数据，以提升低分辨率图像识别性能的方法，包括知识蒸馏和领域适应。研究提出了选择性知识蒸馏、互动关系蒸馏和注意力相似性蒸馏等多种技术，显著改善了低分辨率人脸识别的准确性和效率。

本文介绍了一种基于机器学习的视频编码算法，AlphaVC和ELF-VC在低延迟模式下相比传统编码标准（如HEVC、AVC、VP9）具有更高的压缩效率和视觉质量。此外，研究提出了分层学习视频压缩（HLVC）和高视觉保真度学习视频压缩框架（HVFVC），在多个指标上超越现有标准，展现出良好的性能和解码速度。

文章讨论了视频画质的提升，特别是从低分辨率（640*360）到4K的转换。作者在观看老美剧《CSI》时，发现低分辨率影响观感，并使用potplayer进行实时视频增强，效果有所改善。

本文介绍了一种基于预训练DPM模型的图像重建方法PDAE，提升了训练效率和性能。通过分类器引导采样，改善了图像重建效果。AdaDiff框架优化了扩散模型生成过程，减少推理时间。研究提出的Step-Adaptive Training策略显著提高了模型性能并降低计算成本。新型自级联扩散模型快速适应高分辨率生成，训练速度提高5倍。DreamDA框架生成多样样本并准确标签，验证了其有效性。