本研究提出了一种新型端到端口语评估系统，不仅关注发音和流利度，还通过大型语言模型提升语法和词汇评估。结果显示，结合自定义语言模型的系统在语法评估上优于现有技术。

本研究提出了一种利用对话上下文信息提升语音识别性能的模型，在Switchboard语料库上的测试优于传统方法。

本研究提出了一种端到端的灵活层次车道检测器，能在复杂视觉条件下实现高精度的3D车道检测。该方法利用层次网络预测车道形状的灵活表示，同时收集全局语义信息并避免局部误差。实验结果显示，该方法在高精度标准下优于现有顶尖方法，具有潜在的实际应用影响。

该论文提出了一种新颖的资源高效方法，利用已训练的自动语音识别模型进行视觉语音识别。该方法通过提取知识，在标准测试中以极少的资源实现了竞争性的性能。词错误率在微调后分别降至35%（LRS2）和45.7%（LRS3）。该模型训练时间短，能够在老旧硬件上实时进行端到端的视觉语音识别。

本研究提出了一种融合内部线段切分和门控卷积层编码器的段落识别系统，使用词束搜索解码器后处理，准确率较高。

本文提出了一种基于未来预测的成功或失败分类方法，通过端到端的方式确定行动计划能否完成给定任务。该方法利用了长时程的未来预测方法和过渡一致性正则化术语，并通过分类和机器人操作实验验证了其有效性。

FaceXformer是一个端到端的统一变换器模型，用于综合范围的面部分析任务。它利用基于变换器的编码器-解码器架构，将多个任务集成到一个框架中，并提出了一个参数高效的解码器FaceX，用于学习通用和鲁棒的面部表示。在多个基准测试中，FaceXformer表现出色，并且对来自“野外”的图像也具有鲁棒性和普适性。

自主驾驶中，多模态图像融合和目标检测至关重要。研究提出了一种新的端到端多模态融合检测算法EfficientMFD，只需一次训练步骤即可展现良好性能。在多个数据集上测试，展现出优于其他方法的融合效果和检测性能。

本文提出了一种基于LSTM网络的端到端视觉语音识别系统，取得了最先进的分类性能。在OuluVS2数据库上比基准提高了9.7％，在CUAVE数据库上比其他类似方法的系统提高了1.5％。

本文介绍了一种新的端到端语音情感识别系统，利用共同关注机制和多层声学信息。实验证明该系统在IEMOCAP数据集上表现出竞争性能。

本文介绍了一种基于约束编程和强化学习的端到端解决调度问题的方法，通过神经网络架构和训练算法，在七个JSSP数据集上展示了比静态PDRs和CP求解器更高质量的解决方案。

本技术报告介绍了LongViT，一种能够以端到端方式处理十亿像素图像的视觉Transformer。通过将图像分割成补丁并进行线性投影，使用LongNet对极长序列进行建模，生成捕捉了短程和长程依赖关系的表示。实验结果表明，LongViT在癌症诊断和预后方面优于先前的方法。

该研究提出了一种端到端的定向目标检测器，结合了旋转RoI注意力和选择性不同查询技术，能够有效解决遥感图像中多方向、不同尺度、密集分布的目标实例的检测问题。通过交叉注意机制，能够聚焦定向感兴趣区域并对多尺度特征进行对齐。实验证明该方法在多个数据集上取得了最先进的性能。

该研究探讨了经过语料库特殊增强后的端到端语音到文本翻译，研究了没有源语言转录和仅提供源语言转录的情况。实验结果表明，可以训练出紧凑高效的模型，并提供语料库，希望未来的研究能够挑战该语音翻译基线模型。

该文章介绍了一种基于手绘草图的3D建模方法，采用端到端的方式，引入了轻量级生成网络和结构感知对抗训练，并通过Stroke Enhancement Module（SEM）捕捉结构信息，提升性能。实验证明该方法在合成和真实数据集上具有最先进的性能。