本研究提出了一种新在线算法TurboQuant，旨在解决向量量化中的均方误差和内积失真问题。该算法通过随机旋转输入向量和优化标量量化器，有效保持几何结构。实验结果表明，其在关键值缓存量化和最近邻搜索中优于现有技术。

本文提出了一种强化学习平台（RLAB），用于对抗性黑箱攻击，包括无目标和有目标攻击，允许用户选择不同的失真滤波器来生成对抗样本。该平台的关键方法是采用新颖的双重动作策略，以最小的失真影响识别输入图像的敏感区域，从而加快攻击的收敛速度。实验结果表明，该平台在引起错误分类所需的查询次数上优于现有先进方法，提高了图像分类模型的鲁棒性，并对社会产生积极影响。

本研究解决了文本摘要中的性能下限问题，提出了一种信息论框架用于衡量摘要器的率失真函数。通过类似Blahut-Arimoto算法的迭代过程，提出了计算该函数的实用方法，并通过实证分析验证其理论结果，对摘要器的实际性能表现进行了比较。

团队通过自动化测试系统分析硬件频率响应，比较竞争产品差异。使用OCTAVE工具设置FIR滤波器，实现EQ效果。研究交叉失真，与供应商改进扬声器设计，降低失真。优化开源AEC算法，提升回声消除。通过隔离信号地和电源地，降低背景噪音，并用ANR算法减少噪音。

本研究提出了一种名为DPD-NeuralEngine的加速器，采用22纳米CMOS技术，基于门控递归单元(GRU)神经网络，专用于宽带功率放大器的数字预失真。该加速器在2 GHz下运行，具有256.5 GOPS的吞吐量和1.32 TOPS/W的功率效率，实现了6.6 TOPS/W/mm²的功率面积效率。

本文综述了盲图像质量评估（BIQA）的最新进展，探讨了偏好图片对、深度学习和自我监督学习等方法。提出了基于Transformer的评估系统和轻量级并行框架（LPF），在多个数据集上表现出优越性能和较低计算复杂性。

本文探讨了生成模型在图像和视频压缩中的应用，提出多种方法以提高压缩效率和视觉质量。研究表明，生成对抗网络与学习压缩结合可实现高质量重建，并在低比特率下优于传统方法。此外，提出了缓解JPEG压缩影响的策略和基于频谱的评估工具，以提升机器感知任务中的压缩效果。

本文提出了一种通用框架，优化非线性变换编码的速率失真性能，结合可微分的分析和感知度量。研究了速率、失真与感知之间的权衡，并利用生成对抗网络实现最低均方误差畸变。实验结果表明该框架在感知质量和重建保真度方面具有优越性。

本文介绍了一种基于众包的视觉知觉试验框架，创建了新的PJND数据集KonJND++，包含300个源图像及其压缩版本。利用深度学习建立了综合多种畸变类型的JND模型，并提出了基于图像质量评估的细粒度JND预过滤网络，以提高视觉无损压缩效率和感知质量。

本文提出了一种利用卷积神经网络（CNN）自动纠正图像几何畸变的通用框架。通过训练合成数据集，模型能够准确预测畸变参数并生成校正图像。实验结果表明，该方法在目标检测和图像修复等应用中优于传统技术，显著提升了性能和鲁棒性。

本文探讨了深度学习中损失曲率与模型性能的关系，分析了焦损失函数对训练动态的影响，并提出通过曲率测量神经网络的记忆化能力。研究表明，避免高曲率区域可提高学习稳定性，并提出新方法增强对隐私攻击的防御能力。

本文研究了视觉Transformer在扩散生成学习中的应用，提出了Diffusion Vision Transformers（DiffiT）模型，显著提升了高保真度图像生成的性能，尤其在高分辨率图像合成和图像修复方面表现优异。

通过深度学习应用于图像处理与注册模型，我们提出了一种新的方法以降低扭曲对扩散磁共振成像的影响，实现实时预处理，促进其在临床上的广泛应用。

本文研究了神经图像编解码器的速率-失真-复杂度（RDC）优化，提出了一种新型神经压缩架构，能够在计算要求与性能之间实现最佳平衡。通过量化解码复杂度，设计了可变复杂度的编解码器，实验结果表明该方法在比特率节约和图像质量上均有显著提升。

通过自基准参考网络直接估计指纹畸变场，我们提出了一种能够输出各种指纹姿势的精确畸变场的指纹矫正方法，从而取得了畸变场估计和矫正指纹匹配方面的最先进性能。

本文探讨了向量量化与标量量化在高清图像压缩中的优劣，提出通过非线性向量变换和多级量化策略来优化速度与性能。研究表明，结合Lattice Vector Quantization（LVQ）和空间自适应扩展（AC）的方法能够在不显著增加复杂度的情况下提升压缩效果。

本文提出了一种模块化BVQA模型，用于视频质量评估。该模型包括基础质量预测模块、空域矫正模块和时域矫正模块，能够准确评估视频质量的视觉内容和失真、空域分辨率和时域帧率变化。实验结果表明，该模型在专业生成的内容和用户生成的内容上表现优于当前方法。模型还可以轻松添加其他与质量相关的视频属性。