本文介绍了一种新型点云配准算法，通过多尺度双向融合实现更准确的对应估计，显著提升了在ScanNet和3DMatch数据集上的性能，尤其在室内外场景中表现优异。

该文汇总多篇论文，主题为特征融合在计算机视觉与自动驾驶中的应用，涉及深度图表面法线推断、3D LiDAR语义分割、面部检测、背景减除、医学图像分割、语义边缘检测及车路协同3D目标检测，均通过多尺度或注意力融合提升精度与效率。

该文综述红外小目标检测进展，涵盖IDNANet、iSmallNet、QueryDet、Sparse DETR、TinyDet、ILNet、Lite DETR、RPCANet及粗标注框架等方法，涉及注意力机制、损失函数、标签解耦与多尺度融合等技术，并讨论现有不足与未来方向。

该文综述语义分割的深度学习方法，涵盖全卷积网络（FCN）、残差网络、空洞卷积、多尺度融合与注意力机制。FCN实现端到端像素级预测，在PASCAL VOC等数据集上平均IU提升约20%。后续方法在Cityscapes等数据集上不断刷新最优结果，并推动移动端实时分割发展。

深度补全研究综述：多篇论文利用RGB图像引导稀疏LiDAR深度图恢复，方法包括双分支融合网络、几何卷积、GAN融合、注意力门卷积等，结合3D几何与多尺度编码解码结构，在KITTI、NYU-Depth-V2等基准上取得领先性能，推动自动驾驶与机器人领域高精度深度估计发展。

该文综述多种深度学习图像去雨方法：DAiAM采用双注意力网络分别处理雨滴与雨痕，D-DAiAM改进难处理区域；小波通道注意力融合网络结合小波变换去雨；DRANet用双分支残差注意力去噪；多子网络跨尺度融合方法用GRU融合特征；MH2F-Net通过多尺度分层融合捕捉雨滴特征；NASNet用神经元注意力分阶段处理多种雨模型；AFNet以多路径编码与注意力融合用于遥感图像；DerainNet用合成数据训练提升真实去雨；基于模型的深度网络自动提取雨核；数据驱动与模型结合方法融合CNN与注意力机制。

该文综述了人群计数的深度学习研究，涵盖多级融合与跨度残差提升精度、SFANet双路径多尺度融合生成高分辨率密度图、多分支尺度感知注意力降低误差25%、CCTrans结合CNN与Transformer在NWPU-Crowd排名第一、ICC基于Inception-V3降低计算量、SCNet单列网络高效估计密度图、判别特征框架改善定位与前景背景区分、多任务方法统一计数与定位，以及知识蒸馏轻量学生网络提升推断效率。

该文介绍了一种基于重建的方法，用于检测工业质量检测中的异常。该方法利用多尺度融合和残差注意力模块实现端到端的异常检测和定位，在 MPDD 和 VisA 数据集上取得了比最新方法更有竞争力的结果，并在 MPDD 数据集上创造了新的最新标准。