本研究提出了一种新方法，结合空间和语义信息，提升面部深伪检测的泛化能力。该方法通过特征正交分离策略，在Celeb-DF和DFDC数据集上分别提高了5%和7%的准确率，优于现有技术。

本研究提出了一种“脑适配器”方法，通过轻量级瓶颈层和对比语言-图像预训练策略，解决3D医学图像处理中的空间信息缺失问题。实验结果显示，该方法在神经疾病诊断准确性方面表现优异，具有改善实际诊断流程的潜力。

该研究解决了文档布局理解中半结构化数据稀缺的问题，提出了一种生成合成布局信息的新方法，以克服数据不足的限制。研究表明，该方法在性能上优于其他流行的布局生成方法，并且在某些情境下，借助边界框信息可以提升文本分类的效果。

本研究提出了一种新型高光谱图像分类模型MambaHSI，旨在解决现有方法在速度和内存使用上的挑战。该模型通过设计空间Mamba块和光谱Mamba块，自适应整合空间与光谱信息，实验结果表明其在高光谱分类任务中的有效性和优越性。

本研究提出了一种基于CLIP模型的点云补全方法，通过引入位置信息模块，增强缺失部分的空间信息。实验结果表明，该方法在点云补全任务上显著优于现有技术。

本研究提出了一种自适应图学习框架，显著提高了手术工作流程的短期和中期预测精度，从而增强了手术的安全性和效率。

本研究提出了一种名为数据通道扩展（DEX）的方法，旨在提升微型AI加速器上微型机器学习的推理准确度。通过均匀采样和通道堆叠，DEX实现了平均3.5%的准确度提升。

本文研究了一种卷积递归神经网络（CRNN）架构，用于心脏磁共振成像重建。通过引入高通滤波器和注意力机制，显著提高了重建质量，增强了结构相似性和降低了均方误差。研究表明，该方法在心脏MRI重建中表现出良好的性能和潜力。

本文介绍了多种基于异构图的学习方法，如HOME-GCL、AutoST、SE-KGE、HAFusion、HoloE和Region2Vec。这些方法通过对比学习、空间信息编码和区域特征融合等技术，提升了在道路段、土地分割和城市区域分析等任务中的表现，展示了异构图嵌入在处理复杂数据中的潜力。

本文介绍了一种端到端可训练的理解网络，结合语言和视觉编码器，提出空间感知动态滤波器以有效捕获对象空间信息。通过生成的字幕网络增强语言与视觉模块的通信，评估结果显示该方法在多个数据集上表现优异，超越现有技术。

本研究介绍了一种名为S2DL的新的无监督高光谱图像聚类算法，通过融合空间信息解决高维、噪声、异常点和准确标签的挑战。实验证明S2DL在多个高光谱图像上具有高效性。

本文介绍了一种基于transformer-based网络的新框架，用于从EEG信号中获取注意状态。该网络经过训练和验证，在两个公共数据集上表现出比现有模型更好的效果。该框架可应用于评估注意力缺陷多动障碍(ADHD)症状或驾驶评估中的警觉度。

该论文提出了一种新的超光谱遥感图像监督分类算法，该算法集成了波谱和空间信息，并结合卷积神经网络和Alpha-Expansion Min-Cut算法。实验结果表明，该算法在合成数据集和两个基准超光谱数据集上性能优于其他方法。

该研究提出了一种新的时空视频超分辨率方法，通过混合融合模块改进空间信息和重构高质量视频帧。实验结果显示，该方法在效率上优于现有方法，并降低了约22%的计算成本。

该论文提出了一种新的超光谱遥感图像监督分类算法，综合了波谱和空间信息，并结合了卷积神经网络和Alpha-Expansion Min-Cut算法。实验结果显示，该算法在数据集上的性能优于其他方法。

该研究提出了一个新颖的双流框架，利用Transformer和结构化图神经网络（GNN）学习空间信息和三维立体信息，并引入瓶颈Transformer促进信息融合。实验证明该框架在事件分类上取得了最先进的性能。

该研究提出了一种新的时空视频超分辨率方法，通过双向交互和混合融合模块改进空间信息和重构高质量视频帧。实验结果显示，该方法在效率上优于现有方法，并降低了约22%的计算成本。

本文介绍了一种使用NVIDIA TensorRT进行优化的高效的RGB-D分割方法。该方法在NYUv2和SUNRGB-D数据集上进行了评估，证明了RGB-D分割优于仅处理RGB图像，并展示了实时性能。此外，该方法还在Cityscapes数据集上进行了评估，显示了适用于其他应用领域，并展示了室内应用场景中的定性结果。