本文提出了一种新颖的端到端框架，结合ResNet和视觉变换器，利用可变形卷积等先进技术，显著提升自然图像的文本识别性能。实验结果表明，该框架在多个数据集上表现优异。

本文提出MapTR端到端框架，用于在线矢量高清地图构建。该方法将地图元素建模为带等价排列的点集，设计层次化查询嵌入和二分匹配，并引入辅助一对多匹配与密集监督以加速收敛。MapTR能处理任意形状地图元素，支持实时推理，在nuScenes和Argoverse2上达到最先进性能。

该文综述强化学习在车辆路径问题中的应用，涵盖随机、带时间窗及多车等变体。研究提出端到端框架与注意力模型，无需重新训练即可生成近优路径，性能优于OR-Tools等传统方法，并降低行程成本，展现良好泛化能力。

本文综述了基于Transformer的场景文本定位与识别研究进展，涵盖多种端到端框架：利用Transformer编码与识别转换机制免矫正模块引导文本定位；ESTextSpotter通过建模区分性与交互特征提升性能；统一网络结合卷积特征与二维注意力实现任意形状文本的鲁棒定位识别；此外还包括利用文本对齐层与字符空间监督的联合检测识别框架、以单点标注替代边界框的SPTS v2与自回归序列预测方法、领域自适应模型、Mask TextSpotter，以及弱监督下无需定位注释的TTS和查询式TextFormer等，这些方法多在标准数据集上取得领先表现。

该文综述场景文本识别研究进展，涵盖基于Transformer编码的端到端框架（无需矫正模块或字符级注释即可引导文本定位）、以单点标注替代边界框的SPTS v2、共享计算的FOTS、建模交互特征的ESTextSpotter、一次学习定位东巴象形文字的OTS，以及处理任意形状文本的统一网络、识别曲线文本的实例分割方法、图像编辑技术与合成数据域适应方法。

本文综述基于神经网络的图像与视频压缩技术，涵盖端到端图像压缩框架、HEVC深度学习视频编码、低复杂度视频压缩、DeepN-JPEG物联网图像压缩、点云编解码器、视频压缩攻击及面向机器任务的联合优化编解码器，展示其在极低比特率、带宽节省和任务准确性方面的优势与趋势。

本文使用预训练序列到序列模型BART，通过生成式公式解决所有ABSA子任务，实现了统一的端到端框架。实验结果表明，在四个ABSA数据集上实现了实质性的性能提升。

Map Transformer是一种用于在线矢量高清地图构建的端到端框架，能够处理任意形状的地图元素，并在nuScenes和Argoverse2数据集上达到最先进的性能。代码和演示可在https://github.com/hustvl/MapTR中找到。

该研究使用端到端框架生成医学报告，准确性高且语言流畅。提供附加信息可显著提高性能。

ED-Pose是一种新型的端到端框架，用于多人姿态估计，具有明确的框检测技术。该方法将全局和局部信息进行上下文学习，并解决了两个显式框检测过程，不需要后期处理和密集热图监督。该方法在有效性和效率方面比两阶段和单阶段方法更优。

本文提出了一个使用强化学习解决车辆路径问题的端到端框架。通过训练一个单一模型，模型能够实时生成近最优解决方案，无需重新训练。方法在解决负载容量VRP中优于启发式算法和Google的OR-Tools，同时计算时间可比。框架适用于其他VRP变体和组合优化问题。

通过跨视频上下文知识，提出了一种改善细粒度行动模式理解的新方法，并减少模糊性。通过端到端框架，在多个数据集上表现优于最先进方法。

本文介绍了一种用于解析羽毛球比赛直播录像中球员移动的端到端框架。通过可视化输入和仅使用视觉线索，计算球员在球场上的移动距离，并移除重播和冗余部分，聚焦于比赛过程。通过对每一帧进行球员追踪，计算每位球员的移动距离和平均速度，并绘制热力图以分析比赛过程。

本文提出了一个以神经网络为基础的端到端框架，用于解决在线多目标跟踪中的数据关联问题。算法将帧间数据关联建模成最大带权二分匹配问题，并利用预先学习好的神经网络进行求解，该网络结合了外观和运动特征来计算有关联所需的邻接矩阵。实验表明，该框架能够提供更快的计算速度和更好的跟踪精度。

本文提出了一个新颖的端到端框架，用于从单眼图像或序列中估计三维手部姿势。通过使用扩散模型和正向运动学层，生成的姿势符合实际。通过添加Transformer模块，克服了抖动问题。该方法在不同数据集上展示了领先的鲁棒性、泛化性和准确性。

DeepTransport是一种端到端框架，利用卷积神经网络和循环神经网络获取传输网络拓扑内的时空交通信息，并引入注意力机制对齐空间和时间信息。该方法构建并发布了实时大规模交通状况数据集，并在实验证明在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。