本研究提出了解耦多跨度进化网络（DiMNet），解决了时间知识图推理中子图间结构交互不足的问题。DiMNet通过捕捉局部特征和历史语义信息，显著提升了语义变化模式的捕捉能力，实验表明其推理中的平均排名率提高了22.7%。

本研究探讨数据工程选择对局部特征解释的影响，强调特征表示方法在生成SHAP等特征重要性值时的敏感性，并揭示该领域系统探索的不足。

OpenCV中的自适应阈值算法通过动态计算局部区域的阈值，适用于光照不均或对比度低的图像。其核心思想是根据局部特征调整阈值，使用cv2.adaptiveThreshold函数实现。该算法能保留细节，但计算复杂度较高，适合用于文档处理、车牌识别和医学图像分析等场景。

本研究提出了一种优化的点云补全框架PointCFormer，结合局部特征提取与渐进特征提取，有效捕捉局部几何细节并保持全局结构信息。研究结果表明，该框架在多个基准测试中表现优异。

本研究提出了一种新颖的状态空间架构，结合小波变换，提升了传统扩散模型在图像生成中的局部特征感知能力。实验结果表明，该方法在基准测试中优于现有模型，训练收敛更快，输出质量更高。

本文介绍了一种结合全局语义和局部特征的图像修复方法，基于预训练任务和语义先验，提升了多个数据集上的修复效果。同时，提出了内容感知裁剪和视频缩放的新方法，优化了计算效率和图像质量，展示了在图像编辑和重定向方面的进展。

物理信息导向的神经网络（PINNs）是一种解决偏微分方程的深度学习方法。研究人员提出了一种二进制结构的物理信息导向神经网络（BsPINN）框架，以提高解的准确性和收敛速度。通过采用二进制结构神经网络（BsNN），BsPINNs能够更有效地捕捉解的局部特征。实验结果表明，BsPINNs相较于PINNs具有更好的性能。

提出了一种名为DocBinFormer的文档二值化变换器，用于对文档图像进行二值化分析。该架构利用双级变换器编码器从输入图像中捕获全局和局部特征表示，取得了改进的结果，并在DIBCO和H-DIBCO基准数据集上超过了现有技术的表现。