本文介绍了一种名为MultiResFormer的基于Transformer的模型，能够自适应选择最佳的patch长度以动态建模时间序列变化。该模型在长期预测任务中优于传统的基于patch的Transformer，并且参数更少。此外，提出了多分辨率时间序列变压器（MTST）框架，证明了其在真实数据集上的有效性。

本文提出了多分辨率时间序列变压器（MTST）框架，能够同时建模不同分辨率的时间模式，实验结果表明其预测准确性优于现有技术。此外，研究还介绍了基于Transformer的多元时间序列预测方法，强调了通道独立性和自我监督学习的有效性，提升了长期预测的表现。

本文提出了MRC-Net多分辨率上下文网络，通过多尺度特征提取和双向递归学习模型，提升了前景分割性能，且参数量较低。该方法在DRIVE、STARE和CHASE数据集上表现优异，超越了现有竞争方法。

本文介绍了一种新颖的深度学习网络结构MPPN，专用于长期时间序列预测。该结构通过多分辨率语义单元和通道自适应模块捕捉时间序列模式，并采用基于熵的评估方法以提高预测精度。实验结果表明，MPPN在九个基准测试中显著优于现有方法。

本文研究了从无序点云测量中提取平面区域的问题，并提出了一种多分辨率平面区域提取策略。该方法解决了现有方法在边界精度和计算效率方面的问题。通过实验验证了该方法的效率和鲁棒性，证明了其在各种不平坦地形中能够有效泛化并保持实时性能。