本研究提出测地线集成梯度（GIG）方法，以解决集成梯度法的错误归因问题。GIG将输入空间视为黎曼流形，沿测地线整合梯度，实验结果表明其在解释性和完整性方面优于现有方法。

本文提出了一种新方法——测地线可变形网络（GDN），首次实现从图像中学习变形场的测地流。该方法通过高效神经算子处理测地线，并结合新定义的测地损失，显著提升了网络的正则化和泛化能力。

LGGD方法在图像处理、计算机图形学和计算机视觉领域中广泛应用，利用广义测地距离函数提高节点分类任务的性能，与最先进方法相竞争。同时，展示了参数在图中广义测地方程中的可学习性和新标签的动态包含能力。

该文章提出了一种新的图论解释下的直接估计方法，用于估计Renyi和f-divergence的度量。通过对两个密度之间的Renyi divergence进行估计，可以获得估计值，并且该方法可以用于估计f-divergence度量。该方法可以用于具有连续和有界导数的密度函数的估计，并且能够获得参数MSE率O(1/N)。

本文介绍了一种利用深度学习框架构建人类图像之间密集对应关系的方法，并提出了新的损失函数来推动特征分开，实现部分差异化和主题对齐。实验结果表明，该特征空间能准确对应图像，并具有推广能力。

使用卷积神经网络定位分类血管点，通过最小距离树状图边表示血管，研究血管网络中重要地标检测。构建超声定位显微镜数据跟踪模型，提出良好成本函数。测试合成数据和眼底图像，发现ULM数据注释不足是障碍，但建立方向得分有助于血管追踪。