本研究提出了一种基于分割符合预测框架的方法，旨在减轻大型视觉语言模型在视觉问答任务中的虚假内容问题。该方法通过动态阈值标定和跨模态一致性验证，在用户定义的风险水平下构建具有统计保证的预测集，适用于医疗和自动化系统等安全关键领域。

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。

本研究针对开放环境中多人体动作捕捉的精确性问题，提出了一种新颖的混合无标定方法FreeCap。该方法结合了单个LiDAR和可扩展移动摄像头，通过引入一种 pose-aware 交叉传感器人匹配模块和细化的姿态优化器，显著提高了动作捕捉的准确性和灵活性，具有广泛的应用潜力。

本研究提出了一种新方法，针对缺乏人口统计信息的公平性问题，基于“$α$-大小最坏情况公平性”。通过重标定样本重要性和对抗训练，实验结果表明该方法在公平性测试中表现优异。

本研究提出了一种新方法，通过面部特征获取视差信息，以解决非标定系统中的防伪攻击问题。该多模态防伪模型显著降低了误差，为无深度信息系统提供了有效解决方案。

本研究解决了在没有光谱测量的情况下，星系光度红移概率密度的误标定问题。提出的CLAP方法结合了监督对比学习和K近邻算法，通过新颖的校准过程显著提升了概率密度估计的准确性和计算效率。这一方法为天文学和宇宙学应用提供了更可靠的光度红移概率密度估计。

本研究提出了一种实用方案，解决多摄像头几何标定中投影仪的同步标定问题。通过设计标定对象和图像处理流程，提供定量标定结果，并与经典方法进行比较，展示其在实际应用中的潜力。

本研究提出了一种数据驱动框架，用于低成本陀螺仪的误差估计。通过56分钟的数据集，陀螺仪比例因子和偏置估计精度平均提升72%。该方法将标定时间缩短至六秒，实现75%的时间改进，优化了传统模型。

本文介绍了SynthCal，一种用于相机校准的基准测试工具。它生成校准图案图像来测量相机参数，并评估单视图校准算法的重投影误差和均方根误差。通过Zhang方法分析不同模式的效果，实验结果证明了SynthCal在评估校准算法和模式方面的有效性。

本研究提出了一种新相机标定方法，利用准直仪系统简化长距离下的复杂性。通过光学几何，将相机与目标的相对运动简化为球面运动模型，并开发了适用于多视图和二视图的求解器。实验结果表明，该方法优于现有技术。

本研究评估了不同检索增强生成方法对检索精度和答案相似性的影响。研究发现HyDE和大型语言模型重排能提高检索精度，MMR和Cohere重排无优势，Multi-query方法表现不佳。句窗检索是最有效的方法，但答案相似性不稳定。研究证实文件摘要索引是有效的检索方法。欢迎学术界进一步探索RAG系统的研究。

该研究提出了一种知识发现网络(KDN)的重标定连接(RC)方法，用于解决卫星图像中小型目标检测的精确定位难题。该方法能够有效提取多尺度特征，减少干扰激活，提高检测器的学习方向。实验证明，在五种规模优选任务上，嵌入n21S的检测架构表现出良好的有效性和效率。

该研究提出了三种方法来量化二分类问题中的不确定性，包括标定、置信区间和预测集，并建立了它们之间的联系。研究还推导了针对固定宽度和统一质量分组的二分类问题的置信区间方法，以及针对流数据和协变量转移的扩展方法。

该研究提出了一种利用滚动快门传感器的光场相机拍摄的图像进行三维场景重建的方法。通过利用光场中的三维信息线索和滚动快门效应提供的运动信息，该方法能够最小化重新投影误差，并提供一种瞬时的三维形状-姿态-速度感知范例。研究还提供了一个新的基准数据集，用于评估和跟踪该领域的进展。

该文章介绍了一种通过低成本传感器提供视觉估计的冗余的方法，以实现自主机器人的准确测量机器人的潜在状态和感知环境。该方法包括两个模块，能够高效计算机器人姿势和配置，并通过少数迭代步骤对初始解进行改进。该方法在公开数据集上进行了评估，表现具有竞争力且速度更快。

研究了顺序预测中校准度量的真实性，发现传统校准度量很难实现真实性，引入了一种新的校准度量 (SSCE)，能够实现真实性，并成为最佳预测方法。

本文介绍了基础设施传感器InfraDet3D，通过融合LiDAR和相机数据提高物体检测效果，并应用HD地图提升感知结果。在德国慕尼黑的A9测试区域进行了实际部署和评估，得到了68.48的mAP测试结果。数据集和代码提供给研究社区进行进一步研究。

本文使用随机矩阵理论和自由概率的工具推导了高维岭回归模型的训练和泛化性能，通过S变换特性得到了训练和泛化误差的解析公式，研究了广义类随机特征模型的泛化误差，讨论了偏差-方差分解和异向权重结构对性能的限制。这些结果扩展了对神经缩放定律模型的理解。

RGB-D相机在机器人感知中至关重要，能够生成带有深度数据的图像。这篇研究提出了一种新的基于线条的RGB-D相机系统校准方法，通过利用周围的长线特征，并使用一种新的收敛投票算法来滤除异常值，相对于现有方法实现了无需目标、实时和鲁棒性能。