本文提出了一种新颖的多尺度特征压缩方法，结合可学习的压缩器和多尺度特征融合网络，实现了端到端优化，显著提升了对象检测性能，并在保留极少未压缩特征的情况下接近无损性能。

本文介绍了SEE，一种用于自然场景文本检测和识别的半监督神经网络。SEE通过端到端的优化方式实现，相较于现有的多个深度神经网络和多个预处理步骤，SEE提出了使用单一的深度神经网络的方案。作者通过实验验证了该方案的可行性和竞争性结果。

本文提出了一种自回归、端到端优化的视频扩散模型，用于生成高质量的视频。同时，提出了可扩展的连续排名概率得分（CRPS）方法，用于评估视频的概率预测能力。该方法在多个数据集上比先前方法有着显著的提高。