本文提出了一种基于Transformer的多任务交付时间预测模型TransPDT，旨在提高包裹交付时间的估计精度。研究表明，取件对快递员决策影响显著，模型在真实数据集上的实验结果验证了其有效性，对提升物流服务时效性具有重要意义。

该文章介绍了名为MOMENT的开源基础模型系列，用于时间序列分析。作者建立了Time-series Pile收集公共时间序列，设计了评估模型有效性的基准。实验证明预训练模型在少量数据和任务微调下有效。

本文介绍了一个名为VisEvent的大规模可见事件跟踪基准测试，包含820个视频对，其中包含低照度、高速和背景杂波等特点的数据集。通过将事件流转换为事件图像，并使用30多种基线算法和一个跨模态转换器，实现了可见数据和事件数据之间的有效特征融合。实验结果验证了模型的有效性。

本文介绍了一种新方法，可以从2D图像生成逼真的3D人物。该方法使用多个辨别器和2D法线图形式的几何线索进行训练，性能超过以前的3D和关节感知方法。通过消融研究验证了模型的有效性和每个组件的重要性。