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。

本研究提出了一种桥接蒸馏的方法，将高分辨率人脸预训练模型转化为适用于低分辨率人脸识别的轻量级模型。实验结果显示，该模型在表现良好的同时仅占用0.21M参数，具备高速和准确性。

本研究提出了一种基于去噪扩散概率模型（DDPM）的方法，用于解决显微镜图像中的噪声和低分辨率问题。实验结果显示，该模型在多个数据集上表现优秀，具有良好的通用性。

本研究提出了一种生成-判别式表示蒸馏的方法，通过生成表示与跨分辨率知识蒸馏相结合，提升了超低分辨率人脸识别的效果。该方法恢复了缺失细节，提高了识别准确性，展示了其优越性和适应性。

研究者引入了关系表示蒸馏（RRD）方法，通过配对相似性来加强教师模型和学生模型之间的关系。该方法在 CIFAR-100 数据集上表现优于传统的知识蒸馏技术和其他 13 种先进方法，并成功地进行了知识转移。

该研究提出了一种新的损失函数，用于改善低分辨率和模糊图像下的车牌识别。该方法通过使用可变形卷积和注意力模块中的共享权重，提高了字符特征学习的质量，并在实验中超越了两种先进方法。

研究人员提出了一种灵活的注意力机制FlexAttention，通过使用高分辨率和低分辨率标记编码图像，并只利用低分辨率标记和一些选定的高分辨率标记来计算注意力图，从而显著减小了计算成本。实验证明，FlexAttention在多模态基准测试中提高了约9％，在TextVQA上提高了约7％，同时将计算成本显著降低约40％。

ELF-VC是一种新的视频压缩方法，具有高性能和效率。它采用高效骨干网络和优化的流预测方案，在低延迟模式下表现更好。与主流视频标准和机器学习编解码器相比，ELF-VC在比特率范围内具有更好的指标，速度更快，参数更少。

本文提出了一种新的自级联扩散模型，用于快速生成高分辨率图像和视频。该模型利用低分辨率模型的知识，通过多尺度上采样器模块适应更高的分辨率，并提高局部结构细节。实验证明，该方法训练速度提高了5倍，仅需额外的0.002M调优参数。