本文研究了人类视觉感知下的高光谱影像特征，并提出了一种小目标感知检测器(STAD)。该方法通过显著性图和知识蒸馏策略，在真实高光谱影像上展现出卓越性能和潜力。

通过规范化本地warp场，动态高斯喷洒框架实现了对高度动态场景的重建，即使在最小的相机移动下也表现出卓越性能，拓展了现有框架的能力界限。

我们提出了MaGNet框架，一种新的模型无关的图神经网络，能够顺序地集成不同顺序的信息，从高阶邻居中提取知识，并通过识别紧凑图结构提供有意义、可解释的结果。数值研究和实际案例研究证明了MaGNet的卓越性能。

本研究使用人工神经网络建立了两个LP-IoT无线信道估计模型，提高通信效率。研究结果显示，该方法在信道估计方面具有显著精度，改进了88.29%至97.46%。与其他技术相比，该模型具有卓越性能和潜力。

这篇文章介绍了一种名为查询包（BoQ）的新技术，它在视觉地点识别中表现出卓越性能。BoQ通过与CNN和Vision Transformer集成，并通过广泛实验证明了其优越性能。同时，BoQ作为一种全局检索技术，在速度和效率上超过了其他两阶段检索方法。

本文提出了一种无监督内在图像分解框架，通过探索反射和阴影之间的独立性、域不变内容约束和物理约束，从无监督和不相关的数据中学习反射和阴影的潜在特征。实验表明，该方法具有卓越性能。

本文提出了一种基于3D卷积神经网络的新型框架，用于自动检测低剂量CT扫描中的肺结节。实验结果表明，该方法具有卓越的性能。

InternLM-XComposer是一种高级视觉语言模型，能够理解和组合图像和文本。它具有交错式文本-图像组合、多语言知识理解和卓越性能等特点。该模型在主流视觉-语言基准测试中表现出色。

我们提出了一个新的图神经网络框架MaGNet，能够顺序地集成不同顺序的信息，从高阶邻居中提取知识，并通过识别紧凑图结构提供有意义、可解释的结果。数值研究和实际案例研究证明了MaGNet的卓越性能。

MaGNet是一个新的模型无关的图神经网络框架，通过识别紧凑图结构提供有意义、可解释的结果。经过研究证明了MaGNet相对于其他方法的卓越性能。

图分区神经网络（GPNNs）是一种新颖的GNN架构，通过对图进行分区以及顶点集和子图之间的结构相互作用的探索，提高了GNN的表达能力，并在各种图基准任务中展示了超越现有GNN模型的卓越性能。

该文介绍了一种名为PRNet的渐进循环网络，用于单幅图像阴影去除。该方法在阴影特征提取和渐进阴影去除两个部分中使用PRNet，取得了平衡的性能和时间。实验证明，该方法可以有效去除阴影并取得卓越性能。