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。

该研究提出了一种结合卷积神经网络和非局部滤波器的深度去噪方法，针对灰度和彩色图像实现了最佳去噪性能，并在视频去噪和图像增强方面表现出色，适用于资源受限环境。