本研究提出了一种基于动态门控融合的音视频源分离方法，解决了音频与视觉特征融合中的信息丢失问题。该方法通过动态调整模态融合程度，增强音频特征表达能力，显著提升了模型性能，验证了其在音视频源分离任务中的有效性。

本文提出RCCFormer网络，通过多级特征融合和自适应尺度感知模块，提高了在人群计数中的准确性，尤其在复杂背景和规模变化下，实验结果表明其优于传统方法。

本研究提出了一种不确定性感知层次注册网络，旨在解决图像与点云注册中的关键特征忽视和域间差异问题。通过不确定性感知层次匹配模块和对抗性模态对齐模块，实现了多层次特征融合。实验结果表明，该方法在图像到点云注册任务中表现优异。

本研究提出CamSAM2方法，通过去伪装标记和高分辨率特征融合，显著提升伪装视频物体分割效果，超越现有技术。

本研究提出了一种新颖的互补特征压缩交互网络（CFCI-Net），旨在解决不同MRI模态特征融合的差异问题。通过选择性互补特征融合和模态特征压缩，CFCI-Net在BraTS2019和BraTS2020数据集上表现优于现有模型，具有重要的临床应用潜力。

本研究提出了一种高效轻量级的深伪造检测方法，针对身份盗用和虚假信息风险。通过融合HOG、LBP和KAZE特征，结合多种机器学习分类器，在FaceForensics++和Celeb-DFv2数据集上分别达到了92%和96%的准确率，显著提升了检测性能。

本研究提出MetaOcc框架，解决自主驾驶中3D占用预测的特征融合与标注成本问题。通过自注意模块与局部-全局融合，实现4D雷达与摄像头的环境感知，仅需50%标注数据，树立新基准。

本研究提出了一种基于条件计算的特征融合框架，解决了自监督学习特征与传统频谱特征之间的冲突。该框架结合了门控网络和断开策略，提升了模型的鲁棒性和收敛速度。在MUSTC数据集上的语音翻译任务中，我们的方法与频谱模型表现相当。

本研究提出了一种新方法——多头注意力特征融合（MHAFF），结合卷积神经网络与Transformer的优势，牛只识别准确率分别达到99.88%和99.52%。

本研究提出了COMO框架，解决了多模态目标检测中图像对齐不足的问题。通过跨Mamba技术实现特征融合，显著提升了目标检测性能并降低了计算开销。

本研究提出了一种新的视频时刻拼接任务，旨在简化短视频编辑中的片段选择与拼接过程。通过文本-视频多粒度整合方法，有效融合文本与视频特征，实现内容与描述的精确对齐，并提供了大规模数据集MSSD以验证框架的有效性。

本研究提出了一种动态解耦融合网络DDFNet，旨在解决RGB-T追踪中的低分辨率、相似外观和极端照明等挑战。通过设计六个基于属性的融合模型，优化特征融合，显著提升了追踪性能。实验结果表明，DDFNet在各类基准数据集上优于其他先进方法。

本研究提出了一种新型混合编码器HyViLM，旨在解决多模态大语言模型在处理高分辨率图像时的语义截断问题。该模型优化了特征融合策略，显著提升了多个任务的表现，其中TextVQA任务性能提高9.6%，DocVQA任务提高6.9%。

本研究提出HES-UNet模型，解决肝囊虫病病灶分割中的特征融合不足问题。该模型结合卷积层和注意力模块，显著提高了分割精度，Dice相似系数达到89.21%。

本文提出了一种名为SL-YOLO的无人机目标检测模型，旨在解决小物体检测的难题。该模型采用分层扩展路径聚合网络(HEPAN)进行特征融合，显著提高了小目标检测的准确性，mAP从43.0%提升至46.9%。同时，设计了轻量级模块，减少了参数和计算复杂度。