本研究提出了ALOcc框架，利用自适应升维和深度去噪技术，提高了视觉基础的语义占用和流预测准确性，获得CVPR24比赛第二名。

本研究提出了一种深度去噪神经网络辅助的信道估计方法，旨在降低毫米波系统的训练开销，并通过压缩感知重构信道矩阵。开发了多种新算法和网络结构，以提高到达角估计的准确性和计算效率。实验结果表明，这些方法在信噪比高于0 dB时表现优异。

本文提出了一种基于自监督学习的单目深度估计框架，通过结合深度和颜色信息来提高深度去噪效果。研究表明，该框架在KITTI基准测试中表现优异，超越了传统方法，显著提升了深度预测的精度和性能。

本研究提出了一种基于自监督学习的全卷积深度自编码器，利用多视点数据和深度信息提升深度去噪效果。通过自监督多物体深度去噪管道，使用高质量传感器的深度图去噪低质量图，展示了有效的对齐方法。研究还提出了改进的自监督学习方法和高分辨率深度估计技术，在KITTI基准测试中表现优异。