本研究提出了一种新方法Depth-μP，旨在解决预测编码网络（PCN）在训练超过100层深度网络时的困难。尽管存在不稳定性，μPC在简单分类任务中表现出竞争性能，能够稳定训练高达128层的残差网络，并实现零-shot迁移学习。

本研究提出在深度非负矩阵分解（NMF）网络中引入局部特征交互，以提升性能。通过在局部NMF模块后增加混合NMF正向活动模块，显著提高了基于NMF的深度网络在基准数据上的表现，超越了传统深度卷积网络。这为深度网络的生物学可行性提供了新视角。

本研究提出了一种分数连接方法，解决了深度网络训练中超连接的高内存访问成本问题。通过将隐藏状态划分为多个部分，分数连接在大规模语言任务上显著优于传统的残差连接。

本研究提出了PTEENet，通过引入“捷径”优化深度网络的推理计算成本。该方法扩展了BranchyNet和EEnet架构，允许在预训练模型上附加分支，从而提高推理效率，实验结果表明显著降低了计算成本。

本文探讨了合成数据在计算机视觉中的应用，强调其在训练深度网络时的优势。研究表明，合成数据能显著减少对真实图像的需求，并通过与真实数据结合提高模型性能，尤其在物体检测和图像分割等任务中表现出色，未来有望在人工智能领域得到更广泛应用。

本文介绍了多种细粒度图像识别的新方法，包括基于属性的多任务适应损失、端到端深度网络、数据增强和新任务UFG-NCD等。这些方法在多个数据集上显著提高了识别准确性和泛化性能，为细粒度图像分析提供了有效工具和指导。

本研究提出了InfoDisent模型，旨在提高图像分类网络的决策可解释性。该模型结合了后置和内在方法的优点，有效解耦深度网络的决策信息，提供清晰的分类解释，并在多个基准数据集上验证了其有效性。

本文介绍了一种PSF感知的深度网络，用于校正光学像差。研究提出了多种方法，包括卷积神经网络和神经镜头模型，以优化镜头设计和提升成像质量。实验结果表明，这些方法有效减少了图像退化，降低了计算开销，并提高了深度神经网络的鲁棒性，为计算摄影提供了新见解。

本文介绍了一种名为DOC的深度网络架构，能够在单幅图像中检测物体边界并估计遮挡关系。研究利用深度卷积神经网络定位语义部件，展示了在现实图像中的优越性能，并提出了多种基于学习的方法，改进了遮挡区域和深度估计的精度，推动了点云处理和面部数据集的研究进展。

深度网络的末期化训练导致神经坍塌现象，简化了分类器的决策规则。研究表明，采用无限制特征模型和Simplex编码标签插值可以改善分类性能，尤其在类别不平衡的情况下。提出的框架在少样本类增量学习中表现优越，且神经崩溃与批归一化和权重衰减相关。研究扩展了神经崩塌理论，验证了其在不平衡类别下的存在及影响。

本文提出了可编程梯度信息（PGI）这一新概念，以解决深度网络中的信息损失问题。通过设计广义高效层聚合网络（GELAN），研究表明该架构在目标检测任务中表现优越，能够更有效地利用参数，并提升从头训练模型的性能。

本文探讨神经网络损失地形中的线性模式连接（LMC），分析架构、训练策略和数据集对其影响。提出新的线性连接概念LLFC，并通过实验验证其在深度网络优化中的重要性。研究表明，特定架构的不变性对实现LMC至关重要，同时探讨了对抗鲁棒性与模态连通性的关系，揭示了优化过程中的内在规律。

该研究提出了多种知识蒸馏方法，如UNIX、KA、DTD、CrossKD和AKD，旨在提升深度网络的不确定性估计和性能。在CIFAR100和ImageNet等数据集上取得了显著成果，特别是在轻量级模型和目标检测任务中表现优异。

RAFT是一种新型深度网络结构，专注于光流估计，具有高效的推断和训练速度。通过引入注意力机制和架构改进，RAFT在多个数据集上实现了显著的性能提升。相关方法如RAFT-Stereo和SMURF进一步优化了光流学习和立体匹配，展现出在准确性和效率上的优势。

本文探讨了深度网络对抗扰动攻击的多种方法，包括生成无关对抗扰动（UAPs）和新型攻击策略。研究表明，通过优化损失函数和利用模态交互，可以显著提高对抗攻击的成功率，并在多个数据集上验证了这些方法的有效性。

本文研究了Centered Kernel Alignment（CKA）算法在机器学习中的敏感性及其弱点，指出CKA值易被操控而不需实质性改变模型。提出了一种基于规范相关分析的相似度指数，以增强表示比较的可靠性。同时，探讨了深度网络中激活模式的相似性度量及其对模型性能的影响，强调了评估指标的缺陷，为未来研究提供了基础数据。

该文综述神经视频编码进展：利用深度网络、多尺度运动补偿、自适应熵编码与注意力机制提升压缩性能；分层B帧、上下文多样性和条件编码显著节省码率；AlphaVC超越VVC；并实现移动端1080p实时解码及面向机器视觉的多尺度特征压缩。

本文综述相机校准领域新进展，涵盖基于高斯过程的去畸变方法（单幅方格图即可校准）、基于基础矩阵的迭代自标定（提升焦距估计精度）、CaLiCa深度网络（相机与激光雷达自动校准）、自监督框架（实时学习内外参）、深度分类优化自动对焦、通用相机模型全自动标定流程、街景重建校准全球交通摄像头、互信息法在线更新相机-激光雷达外参、深度视频合成可重对焦，以及后投影回归法提升绝对姿态估计精度。

本文综述盲图像质量评估（BIQA）研究进展，重点包括：利用多畸变数据库训练深度网络以提升实验室与野外评估精度；提出dipIQ、dilIQ、PQR等方法及KonIQ-10k、PIQ23、BIQ2021等数据集；针对合成与真实失真分布偏移，构建统一模型和跨数据集强健模型，显著提高泛化性能。