本文介绍了多种基于深度学习的纹理生成和人脸重建技术，如Mesh2Tex、GeodesicPSIM和VGG-Tex模型。这些方法通过优化纹理生成和几何结构，提升了虚拟现实和3D渲染中的应用效果，显著提高了纹理重建性能和视觉质量。

本研究解决了现有时间序列深度学习模型解释方法在处理时间依赖性和动态特征相关性方面的不足。提出的窗口化时间显著性重标定方法（WinTSR）通过显式捕捉过去时间步之间的依赖关系，提升了特征重要性的评估，且在与其他十种解释技术的比较中表现优越。该方法的推广及开源框架将为最新的时间序列变换器和基础模型的解释提供新工具。

本研究提出了一种新型音视频显著性预测网络AVRSP，有效解决了音频与视频特征融合的不一致性问题，实验结果显示其预测性能优越。

本研究解决了现有图像分类可解释性方法的不足，尤其是黑箱模型无法有效传达概念贡献的问题。提出的Visual-TCAV框架结合了局部和全局解释，利用概念激活向量生成显著性地图，并估计概念对预测输出的归因。实验验证了该方法在不同卷积神经网络架构上的有效性，具有显著的实际应用潜力。

本研究提出塔克显著性图（TSM）方法，显著提升卷积神经网络（CNN）在自监督模型中的可解释性，相较于EigenCAM提高约50%。通过塔克张量分解，生成高保真度显著性图，解决了可解释性问题。

本文研究了显著性视觉关注与物体引用的一致性，提出了一种基于显著性的图像标题生成模型。研究表明，该模型在未知数据上表现更佳，并通过引入人类注意力知识，增强了计算机视觉模型的可解释性和可靠性。此外，提出的新型损失函数CYBORG显著提高了模型的准确性和泛化能力。

本文介绍了多个视频时刻检索和精彩片段检测的模型及其进展，包括QVHIGHLIGHTS数据集、UMT框架、TSQNet、Query-Dependent DETR、MH-DETR、BM-DETR和TR-DETR等。这些模型通过新机制和优化方法提升了视频分析的准确性和鲁棒性，并在多个数据集上表现优越。

本文研究了教学视频的显著性检测方法，并评估了模型在教学视频上的性能。实验结果显示，教学视频对通用视频显著性检测模型具有挑战性。

大型语言模型的快速发展引发了基准数据污染问题。本文回顾了LLM评估中的BDC挑战，并探讨了替代评估方法。分析了缓解BDC风险的挑战和未来发展方向，强调了创新解决方案的需求。

人工智能在医疗应用中发挥重要作用，但深度神经网络的解释性仍然是一个挑战。本文提出了一种基于影响力的可解释性算法TracIn，用于医学图像分割任务。该算法能够提供局部和全局解释，并可作为选择决策过程中使用的最相关特征的工具。该方法适用于所有语义分割任务。

本文介绍了一种新颖的基于语言相关的自监督学习框架，即HLSS方法，用于医学图像的层次化表示学习。该方法结合了自然语言信息和图像的层次化视觉表示，在医学图像任务中取得了最先进的性能，并提供了更好的可解释性。

本文研究了深度神经模型在图像质量评估方面的进展，并介绍了一个新的数据集用于比较IQA和Saliency Prediction任务之间的关系。

本文研究了深度学习算法在语义理解方面的不足，并从神经科学中汲取灵感，揭示了神经网络在低层次和高层次上如何编码信息。研究发现，ResNet对显著性信息比ViT更敏感，并且自然语言监督进一步增强了这一过程。研究表明语义编码是将人工智能与人类视觉感知对齐的关键因素。

本文提出了一种基于显著性图引导的生成对抗网络 (SCGAN) 框架，用于对灰度图进行自动上色。该方法使用预训练的 VGG-16-Gray 网络的全局特征，并通过颜色编码器将其嵌入到颜色化中，可以用较少的数据训练，达到感知上合理的效果。实验结果表明，SCGAN 可以生成比现有技术更合理的上色图像。

本文使用SEASON技术研究了抽象文本摘要，并与其他模型进行了比较。研究评估了SEASON的有效性和性能，并分析了多种评估指标。结果有助于评估SEASON模型的有效性和显著性分配技术的复杂性。

该论文提出了对显著性图在弱监督语义分割中的新视角，并强调显著性图质量的重要性。同时指出之前研究中显著性图的选择任意，阈值选择也关键。为了更好地研究显著性引导的弱监督语义分割，提出了一个标准化框架。

本研究提出了一种评估包装设计中品牌标志符关注度的框架，使用YOLOv8进行标志符检测，并结合显著性地图生成全面的品牌关注度评分。结果验证了该方法的优越性，并支持品牌能见度相关的心理物理学假设。

本文提出一种使用多准则决策制定方法学习模式排名功能的方法，通过聚合不同的趣味度度量成单个加权线性排名函数，使用交互式学习过程。实验结果表明，该方法在减少运行时间、返回精确模式排名和对用户误差具有鲁棒性方面优于现有技术。